Development and Internal Validation of a Nomogram for Concomitant Pulmonary Embolism in Patients With Lower-Extremity Deep Vein Thrombosis: A Comparison With Machine Learning Models
本研究开发并内部验证了一个基于逻辑回归的列线图，利用临床预测因子来评估下肢深静脉血栓患者合并肺栓塞的概率，结果显示其性能与先进的机器学习模型相当，同时具有更优的解释性，但在临床应用前仍需进行外部验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当血块在腿部深静脉形成时，这是一种被称为深静脉血栓症的严重医疗事件。医生和患者最大的恐惧是，这个血块的一部分可能会脱落，随血液循环移动，并卡在肺部。这种继发性事件被称为肺栓塞，它可能危及生命。在许多情况下，即使患者没有表现出明显的呼吸问题，腿部的血块和肺部的血块也可能同时出现。目前，检查肺部血块的标准方法是进行专门的胸部 CT 扫描。然而，对每一个患有腿部血栓的患者都进行这种扫描并不现实。该扫描涉及辐射和可能使肾脏负担加重的造影剂，因此医生通常会将其保留给那些表现出明显预警信号（如突然呼吸短促或血氧水平下降）的患者。这造成了一个困难的缺口：许多患有腿部血栓的患者可能也存在隐匿性的肺部血栓，但由于他们看起来并未病得很重，不足以触发扫描，从而导致这些血栓未能被发现。
北京中国-日本友好医院的研究人员致力于通过开发一种工具来弥补这一差距，该工具旨在评估刚被诊断出腿部血栓的患者出现隐匿性肺栓塞的可能性。他们收集了 2019 年至 2024 年间入院该医院的 1,100 多名患者的数据。对于每位患者，他们查看了入院时可获得的七个特定因素：年龄、体重指数、一项名为 D-二聚体的血液检测结果、是否存在既往肺部疾病、是否有血栓病史、腿部血栓的具体位置，以及是否在身体其他部位（如手臂或颈部）的静脉中发现血栓。随后，他们比较了一种被称为列线图（nomogram）的传统统计方法与三种更复杂的计算机算法（通常称为机器学习模型）的表现。其目标是观察一个简单、易读的图表是否能像这些复杂的数字系统一样准确地预测肺部血栓的存在。
研究发现，在 1,151 名患者中，有 173 人被证实患有肺部血栓。研究人员发现，某些因素使得肺部血栓的可能性大大增加。患有现有肺部疾病（如慢性阻塞性肺疾病或肺炎）的患者发生肺部血栓的可能性几乎是无此类疾病患者的八倍。在身体其他部位（如手臂或颈部）存在静脉血栓的情况是一个更强的指标，其风险增加幅度超过九倍。既往血栓病史以及血栓延伸至膝盖后方或小腿的部分也显著提高了风险。有趣的是，研究指出，在这些数据中，高龄与肺部血栓的可能性较低相关，但作者提醒说，这很可能是由于患者的选择方式导致的，而非生物学上的保护作用，因为高龄患者可能不太容易表现出触发扫描的突发呼吸症状。
当研究团队在另一组患者身上测试这些工具以观察其效果如何时，结果是具有启发性的。复杂的机器学习模型（包括一种名为梯度提升的系统）的表现略优于简单的统计模型，但这种差异非常微小，在统计学上并不显著。传统的列线图（本质上是一个医生根据每个风险因素累加分数以获得总分的图表）在区分有肺部血栓和无肺部血栓的患者方面，表现得与先进的计算机模型一样出色。该简单模型正确识别了约 77% 的实际肺部血栓患者，并正确排除了约 74% 的非肺部血栓患者。这表明，对于这一特定的医疗问题，增加复杂的计算机处理层级并不会比基于七个清晰临床事实的直接计算带来实质性的优势。
尽管取得了这些令人鼓舞的结果，研究人员仍谨慎地指出，该工具并非一种可以取代 CT 扫描的诊断测试。由于该医院仅对看起来病情严重的患者进行扫描，因此数据存在偏差；许多没有症状的患者从未接受过扫描，这意味着一些隐匿性的肺部血栓可能完全被漏掉了。当研究人员仅观察那些实际接受了扫描的患者时，风险因素与肺部血栓之间的联系变得减弱了。这表明，该模型在一定程度上是在预测哪些患者更有可能接受扫描，而不仅仅是在预测生物学意义上的血栓存在。因此，该图表应被视为一种探索性的指南，帮助医生决定谁需要更密切的关注，而不是一个定论。在此工具能够用于临床指导患者护理之前，必须在其他医院以及具有不同患者群体且采用更一致扫描方式的环境下进行测试，以确保其预测在现实世界中依然成立。
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。