机器学习预测围手术期静脉血栓栓塞的应用进展.pdf

36 医药前沿 2024年2月 第14卷第4期 综述机器学习预测围手术期静脉血栓栓塞的应用进展周柏贤，姜远旭（通信作者）（暨南大学第二临床医学院 广东 深圳 518020）【摘要】围手术期静脉血栓栓塞是一个具有重要医学和公共卫生意义的话题，对其进行精确预测有助于改善患者预后。随着人工智能在医学界兴起，为围手术期静脉血栓栓塞的预测提供了新的方法。本文将围绕机器学习在围手术期静脉血栓栓塞的预测进行整理和总结，以期促进围手术期静脉血栓栓塞预测模型的构建和发展。【关键词】围手术期；静脉血栓栓塞；预测；人工智能；机器学习【中图分类号】R543.6【文献标识码】A【文章编号】2095-1752（2024）04-0036-03Applications and advances in machine learning to predict perioperative venous thromboembolismZHOU Boxian,JIANG Yuanxu(Corresponding author)Jinan University,Second Clinical Medical College,Shenzhen,Guangdong 518020,China【Abstract】Perioperative venous thromboembolism is a topic of great medical and public health importance,and its accurate prediction can help improve patient prognosis.With the rise of artificial intelligence in the medical community,new methods are provided for the prediction of perioperative venous thromboembolism.This article will focus on the prediction of machine learning in perioperative venous thromboembolism,in order to promote the construction and development of perioperative venous thromboembolism prediction models.【Key words】Perioperative period;Venous thromboembolism;Prediction;Artificial intelligence;Machine learning肺栓塞（pulmonary thromboembolism,PE）与深静脉血栓（deep vein thrombosis,DVT）统称为静脉血栓栓塞（venous thromboembolism,VTE）1。VTE 可以导致围手术期一系列严重后果，因其病死率高、预后差、治疗难度大，受到人们广泛关注2-3。VTE 的发生率可达 1%3%，其发生取决于多方面因素4-5。随着医疗技术的进步和医疗理念的改变，传统预测模型及评分量表往往不能涵盖多方面的 VTE 的危险因素。而机器学习擅长从海量的数据中总结规律，在预测模型的构建上表现出色6。本文围绕机器学习在围手术期静脉血栓栓塞的预测进行整理和总结，以期促进围手术期 VTE 预测模型的构建和发展。1 机器学习概述机器学习是一门多学科交叉方法，是指使用计算机作为工具来模拟人类学习方式，并将现有内容进行知识结构划分以获取新的知识或技能7。机器学习通过计算机在海量数据中学习数据的规律和模式并发现潜在信息，被广泛用于解决分类、回归、聚类等问题。机器学习的学习方式一般包括监督、半监督、无监督8。本文中讨论的预测模型都属于使用监督学习方式来解决分类问题，即利用有标记的信息（已发生的 VTE）发现分类规则、构造分类模型，从而输出未含标记信息的数据属性特征（预测未来的 VTE）。监 督 分 类 的 机 器 学 习 包 含 多 种 算 法，且 各 有优 劣。单 一 分 类 算 法 包 括：支 持 向 量 机（support vector machines,SVM）、K 近邻（k-nearest neighbor classification,KNN）、朴素贝叶斯（Nave Bayes,NB）等。集成分类算法包括：随机森林（random forest,RF）、自适应增强（adaptive boosting,AdaBoost）、极致梯度提升（eXtreme Gradient Boosting,XGBoost）等。SVM 对高纬度小样本的数据处理效果较好，能够处理非线性特征的相互作用，无局部极小值问题，泛化能力比较强。但当观测样本很多时，效率较低，对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数，对于核函数的高维映射解释力不强，尤其是径向基函数；RF 通常具有更好的泛化性能，能够处理大规模高维数据集，对特征重要性的评估可用于特征选择，但难以解释其中单棵决策树的决策过程，计算和内存需求较高，且对噪声和异常值敏感。在解决具体临床问题时，需结合具体情况对算法进行综合评价，才能得到最适预测模型。2 机器学习在预测围手术期 VTE 中的应用随着 外 科 学 的 飞 速 发 展，加 速 康 复 外 科 理 念（enhanced recovery after surgery,ERAS）逐步形成，外科手术已经发生了巨大转变，从延长住院时间和限制术后活动逐渐转变为提倡术后早期活动。越来越多的患者接受椎管内麻醉，同时以氨甲环酸和阿司匹林作为主要VTE预防药物9-10。一些围手术期相关因素（如氨甲环酸、麻醉类型和预防类型）是以前的研究/算法没有考虑的重要变量11-12，机器学习算法将这些因素重新纳入考量，更易满足当前精准医疗的需求。Wang 等13使用 XGBOOST 的机器学习和多变量逻医药前沿 2024年2月 第14卷第4期 综述 37辑回归构建预测模型来识别腰椎退行性病变后路融合术（posterolateral fusion,PLF）后 VTE 的风险。该研究纳入了美国国家外科质量改进计划数据库中接受 PLF 的患者 13 500 例。在逻辑回归预测模型中发现有意义的 5 个临床变量是：年龄 65 岁、肥胖级或以上、冠状动脉疾病、功能状态和手术时间，其曲线下面积（area under the curve,AUC）为 0.709，高于查尔森合并症指数的AUC。而在 XGBOOST 算法中提示身体质量指数（body mass index,BMI）、手术时间、红细胞压积、年龄、白蛋白、冠心病、性别、吸烟状况、慢性阻塞性肺疾病（chronic obstructive pulmonary disease,COPD）和运动功能状态为最有意义的临床变量，其 AUC 为 0.716。传统逻辑规划和 XGBOOST 算法在对 PLF 中发生 VTE 的危险因素识别中有差异，但表现出了相似的预测效能。Shohat 等14用机器学习预测全关节置换术（total joint arthroplasty,TJA）后 VTE 的发生，同时为 PE 和DVT 分别构建了模型。该研究纳入了 35 963 例患者，使用了 RF、LASSO、XGBOOST、SVM 4 种算法。其中 XGBOOST 在 PE（AUC 为 0.774）和 DVT（AUC 为0.759）的预测方面均表现出最优秀的性能，同时提示与PE 相关的 10 个最重要因素如下（按重要性顺序排列）：活动性癌症（极高风险）、高凝状态、输血、用于预防VTE 的华法林、年龄较大、手术持续时间、翻修手术、VTE 病史、心房颤动和潜在骨折。对于 DVT，最重要的 10 个因素如下：高凝状态、老年、同种异体输血、翻修手术、华法林、同时双侧手术、活动性癌症（极高风险）、主动或既往吸烟、潜在骨折和男性。PE 和 DVT被概括为 VTE，一般认为其是 VTE 的疾病进程中的两个不同阶段。该研究通过机器学习揭示了影响 DVT 发展到PE 的危险因素的异同之处，为临床工作中 VTE 的精准预测和干预治疗提供了新的思路。而国内学者 Ding 等15同样用机器学习算法预测全髋关节置换术（total hip arthroplasty,THA）后 VTE 的发生。研究纳入了 1 481 例患者，使用 LR、KNN、XGBoost、AdaBoost、梯度提升树模型（gradient boosting classifier,GBC）和多层感知器（multilayer perceptron,MLP）6 种算法。XGBoost 表现最好，AUC 为 0.982，敏感度为 0.913，特异度为 0.998。同时通过 SHAP 算法来解释 XGBOOST 模型，结果表明，较低水平的直接胆红素、D-二聚体、超敏 C 反应蛋白、二氧化碳和尿素是 VTE 的保护因素，而较低水平的间接胆红素、活化部分凝血酶时间、红细胞、和肌酐是 DVT和 PE 的危险因素。Deng 等16用机器学习算法预测同种异体移植（allogeneic haematopoietic stem cell transplantation,allo-HSCT）患者术后 VTE 发生，使用 XGBoost、LR、RF、Adaboost、NB、MLP、KNN 和轻量 GBM（light GBM,LGBM）8 种算法。其中 LR 算法表现出最佳的预测效能。随后，基于 LR 算法，该团队提出了“BRIDGE”评分用于 allo-HSCT 后 VTE 预测。其包含菌血症、复发、侵袭性真菌感染、血浆纤维蛋白原、级急性移植物抗宿主病、纤维蛋白降解产物、年龄和卒中病史，该评分AUC 可达 0.858。识别死亡风险高的 VTE 患者可以帮助医生提前治疗这些患者，提高患者的存活率。总体而言，机器学习用于预测 VTE 的发生表现出了不俗的准确性和灵敏性，并且揭露了一些过去未被重视的危险因素。目前广泛用于临床的 VTE 风险评估量并不完全适用于所有 VTE 患者，而构建更加个体化的 VTE预测模型是未来临床实践的主要发展方向，机器学习方法可以更好地满足这一要求。3 机器学习用于预测围手术期 VTE 的优缺点3.1 机器学习预测围手术期 VTE 的优点在过去 VTE 的预测大多为传统数学模型，如基于逻辑二分类回归的 Caprini 量表17和 Padua 量表18。这种VTE 风险评估量表虽使用方便，但由于患者病情的复杂性，在追求精准医疗的当下，单一量表有时无法提供准确的预测结果。与传统数学方法相比，机器学习结合了计算机、统计学、工程学等学科的知识，可以通过计算机在海量数据中学习围手术期 VTE 发生的规律和模式，从中挖掘出潜在信息，因此具有更高的敏感度、特异度和更强的预测效能19。围手术期 VTE 的发生与各方面的因素有关（患者一般情况、合并症、麻醉、手术、药物、实验室指标等），其涉及的特征数量众多。传统的数学模型中，纳入哪些因素一般由研究者亲自拟定，容易产生偏倚，降低工作效率20。而机器学习可以帮助进行因素筛选，整合并挖掘潜在规律，从而更精确地对围手术期 VTE 进行预测，帮助医务人员及时干预和阻断 VTE的发生和进展。3.2 机器学习预测围手术期 VTE 的缺点机器学习对 VTE 的准确预测依托于庞大、真实的数据支撑，国内医疗方面的数据库起步较晚，大多数学者无法获取到足够数量、真实的患者围手术期数据，无法发挥出机器学习的真正实力。同时由于目前大部分对围手术期 VTE 预测的机器学习建模还未经过系统性的临床验证，临床工作中认可度不高，限制了其应用和发展20。38 医药前沿 2024年2月 第14卷第4期 综述正如前述 Shohat 等14和 Ding 等15都对关节置换术后进行 VTE 预测，但其所得到的危险因素各有不同，存在争议，这有待进一步的临床系统性的验证。总之，目前机器学习应用于预测围手术期 VTE 的研究存在着算法选择、样本量小、中心效应、泛化能力弱的问题。4 小结和展望随着预期寿命延长和医疗科技进步，接受手术的患者数量持续增加，围手术期 VTE 的危害与日俱增，给社会经济带来了沉重的负担。临床中多方面的因素可以导致围手术期 VTE 的发生，给医务人员预测和干预 VTE带来了巨大的挑战。现有 VTE 风险评估量表多发表于21 世纪初，随着医疗方式的改变，许多的预测因素发生了变化，原有模型并不完全适用于当下的医疗环境。随着大数据时代的到来，机器学习总结吸收过往预测围手术期 VTE 的经验，结合自身计算机优势，可以提供更灵敏、早期的围手术期 VTE 预测，是未来围手术期VTE 预测模型发展的趋势，以更智能的方式为患者提供更安全、更精准的治疗。【参考文献】1 李晓强，张福先，王深明深静脉血栓形成的诊断和治疗指南（第三版）J/CD中国血管外科杂志（电子版），2017,9(4):250-257.2 SECEMSKY E A,ROSENFIELD K,KENNEDY K F,et al.High burden of 30-day readmissions after acute venous thromboembolism in the United States J.J Am Heart Assoc,2018,7(13):e009-e047.3 SGAARD K K,SCHMIDT M,PEDERSEN L,et al.30-year mortality after venous thromboembolism:a population-based cohort study J.Circulation,2014,130(10):829-836.4 PEDERSEN A B,MEHNERT F,JOHNSEN S P,et al.Venous thromboembolism in patients having knee replacement and receiving thromboprophylaxis J.J Bone Jt Surg,2011,93(14):1281-1287.5 KELLER K,HOBOHM L,BARCO S,et al.Venous thromboembolism in patients hospitalized for knee joint replacement surgery J.Sci Rep,2020,10:22440.6 RAJKOMAR A,DEAN J,KOHANE I.Machine learning in medicine J.N Engl J Med,2019,380(14):1347-1358.7 PAIXO G M M,SANTOS B C,ARAUJO R M,et al.Machine learning in medicine:review and applicability J.Arq Bras Cardiol,2022,118(1):95-102.8 杨剑锋，乔佩蕊，李永梅，等 机器学习分类问题及算法研究综述J统计与决策，2019,35(6):36-40.9 ABDEL M P,BERRY D J.Current practice trends in primary hip and knee arthroplasties among members of the American association of hip and knee surgeons:a long-term update J.J Arthroplasty,2019,34（7S):S24-S27.10 KEARON C,AKL E A,COMEROTA A J,et al.Antithrombotic therapy for VTE disease:antithrombotic therapy and prevention of thrombosis,9th Ed:American college of chest physicians evidence-based clinical practice guidelines J.Chest,2012,141(2 Suppl):e419S-e496S.11 GOLD P A,NG T Y,COURY J R,et al.Can the Caprini score predict thromboembolism and guide pharmacologic prophylaxis after primary joint arthroplasty?J.J Orthop,2020,21:345-349.12 EISINGER E C,FORSYTHE L,JOERGENSEN S,et al.Thromboembolic complications following perioperative tranexamic acid administration J.J Surg Res,2024,293:676-684.13 WANG K Y,IKWUEZUNMA I,PUVANESARAJAH V,et al.Using predictive modeling and supervised machine learning to identify patients at risk for venous thromboembolism following posterior lumbar fusion J.Global Spine J,2023,13(4):1097-1103.14 SHOHAT N,LUDWICK L,SHERMAN M B,et al.Using machine learning to predict venous thromboembolism and major bleeding events following total joint arthroplasty J.Sci Rep,2023,13(1):2197.15 DING R F,DING Y,ZHENG D Y,et al.Machine learning-based screening of risk factors and prediction of deep vein thrombosis and pulmonary embolism after hip arthroplasty J.Clin Appl Thromb Hemost,2023,29:10760296231186145.16 DENG R X,ZHU X L,ZHANG A B,et al.Machine learning algorithm as a prognostic tool for venous thromboembolism in allogeneic transplant patients J.Transplant Cell Ther,2023,29(1):57.e1-57.e10.17 CAPRINI J A.Risk assessment as a guide to thrombosis prophylaxis J.Curr Opin Pulm Med,2010,16(5):448-452.18 BARBAR S,NOVENTA F,ROSSETTO V,et al.A risk assessment model for the identification of hospitalized medical patients at risk for venous thromboembolism:the Padua Prediction Score J.J Thromb Haemost,2010,8(11):2450-2457.19 MISHRA A,ASHRAF M Z.Using artificial intelligence to manage thrombosis research,diagnosis,and clinical management J.Semin Thromb Hemost,2020,46(4):410-418.20 HUNTER D J,HOLMES C.Where medical statistics meets artificial intelligence J.N Engl J Med,2023,389(13):1211-1219.