← 最新论文
📄 呼吸医学

Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism

这项研究表明,在针对近40万次未经过筛选的大规模入院记录进行训练后,基于机器学习的模型在预测经放射学证实的医院获得性静脉血栓栓塞症方面,显著优于传统的基于指南的风险评分(Padua 和 IMPROVE)。

原作者: Feng, J., Li, Y., Yu, S., Sun, X.

发布于 2026-08-28
📖 1 分钟阅读☕ 轻松阅读

原作者: Feng, J., Li, Y., Yu, S., Sun, X.

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明

每年都有数百万人因接受治疗而进入医院,对于许多人来说,静卧或从疾病中恢复的过程隐藏着一种危险:血栓的形成。这些血栓可能会在静脉中移动并阻塞流向肺部的血液,这种被称为静脉血栓栓塞症的状况是医院内可预防性死亡的主要原因之一。长期以来,医生一直依赖简单的清单来决定谁需要预防性药物。这些清单会询问几个基本问题:患者是否超过了特定年龄?是否患有癌症?是否无法活动?根据答案计算出一个分数,以评估风险。虽然这些工具是标准做法,但它们往往达不到预期,既无法识别出许多会产生血栓的患者,又会将一些实际上安全的患者标记为高风险。挑战在于如何更清晰地发现危险,同时又不给负担沉重的医护人员增加额外的工作量。

一个研究小组致力于测试计算机程序是否可以通过学习医院记录,比传统的清单更好地预测这些血栓。他们转向了一家美国医院的大规模脱敏医疗记录,涵盖了 2008 年至 2022 年间的 39.9 万余例成人入院记录。为了确保他们研究的是新病例而非旧病史,他们只关注从未有过血栓史的患者。研究人员没有依赖简单的计费代码来寻找患病患者,因为这些代码可能并不准确。相反,他们建立了一个系统来阅读放射科报告(如 CT 扫描和超声图像)的全文,寻找医生在确认新发血栓时使用的特定词汇。这一细致的过程识别出了 1,915 名在住院期间出现新发血栓的患者,发生率约为每 1,000 例入院约 5 例。

随后,研究人员训练了两类计算机模型来预测这些事件。第一类观察患者入院前 24 小时的静态数据快照,包括年龄、病史、实验室检查结果以及是否进行了手术。第二类是动态的,这意味着它会随着每天新输入的化验结果和生命体征而更新其预测。他们将这些计算机模型与目前医院中最常用的两种指南清单进行了对比。结果令人震惊。在针对新数据的测试中,传统清单的表现很差,仅能正确识别约 62% 的病例。相比之下,使用医生可获取的相同常规数据的计算机模型实现了 0.89 的 AUC 值。这种提升是如此巨大,以至于在统计学上是无可争议的,表明计算机模型能够发现简单清单完全错过的隐藏数据模式。

研究还探讨了试图读取患者每日变化完整序列的更复杂的深度学习系统是否会表现得更好。令人惊讶的是,这些复杂的系统相比于仅查看每日摘要的简单模型并没有优势。研究人员发现,简单的模型在捕捉数据中隐藏的风险信号方面同样有效。此外,即使研究人员在严格条件下进行测试(例如,仅观察在入院一天后才出现血栓的患者,或包括有血栓病史的患者),计算机模型的优越性依然存在。计算机模型的优势在所有这些场景下都保持稳定。

这项工作表明,医院安全的未来可能在于在后台静默运行的软件,在患者入院的那一刻起自动计算风险。与需要护士或医生手动填写表格的现有清单不同,这些计算机模型可以直接从电子健康档案中提取必要信息。虽然该研究是基于历史数据进行的,在广泛采用之前需要在真实的医院环境中进行进一步的实时测试,但研究结果表明,实现显著的准确性飞跃是可能的。通过利用已经存在于医院计算机中的数据,未来可能很快就能在不增加医疗护理日常步骤的情况下,保护更多患者免受血栓之苦。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →