A spatiotemporally validated machine-learning score for venous thromboembolism risk after neurosurgery
本研究开发并时空验证了一种简洁且具有解释性的四变量机器学习评分，该评分在预测神经外科患者术后静脉血栓栓塞风险方面优于 Caprini 模型。
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
在进行大脑或脊柱的大型手术后，身体会进入高度警戒状态。当手术团队专注于修复神经系统的精细结构时，患者的血液可能会变得极易产生血栓。这些被称为静脉血栓栓塞症的血块可能在腿部形成并游移至肺部，构成致命风险。几十年来，医生一直依赖一种名为 Caprini 评分的标准清单来推测哪些患者最容易出现这些血栓。该工具根据年龄、手术类型和其他健康状况进行加分。然而，在复杂的神经外科领域，这个清单往往像是一个过于敏感的烟雾报警器，几乎对每个人都大声鸣响。因为几乎每位神经外科患者都会勾选足够的选项而被标记为“高风险”，这使得医生难以分辨谁真正需要积极的预防措施，而谁在较轻微的护理下也是安全的。这种缺乏精准度的情况可能导致不必要的治疗，或者相反，错失保护最脆弱人群的机会。
上海华山医院的一个研究团队利用来自大型公共医学数据库的数据，致力于构建一种更好的患者分类方法。他们转向了机器学习——一种计算机通过从海量历史数据中学习模式的方法——以寻找能够真正预测这一特殊群体血栓形成的特定信号。研究人员并没有依赖冗长的变量列表，而是训练计算机模型去识别那些仍能提供清晰风险图景的最少变量。结果是一个全新的、精简的评分系统，它仅使用四项信息：患者的年龄、体重指数（BMI）、手术期间或术后是否接受了输血，以及血液中一种被称为 D-二聚体（D-dimer）的特定蛋白质的最高水平。这种蛋白质是衡量体内血栓活动程度的标志物。
研究人员使用数千份患者记录，将这种新的四因子评分系统与旧的 Caprini 清单进行了对比测试。他们首先利用自家医院的数据对系统进行训练，然后将其应用于同一家医院随后治疗的一组患者进行测试，最后在一个来自美国不同数据库的完全独立的患者数据集中进行了验证。在每一次测试中，新评分在区分会产生血栓的患者与不会产生血栓的患者方面都表现出更高的准确性。虽然传统的 Caprini 评分能正确识别约三分之二的病例风险，但新的机器学习评分显著提高了这一准确性，能正确识别约四分之三的病例风险。更重要的是，新工具在识别那些真正安全的患者方面表现更好，而旧的清单往往倾向于将几乎所有人都标记为高风险。
通过专注于仅有的四个易于获取的数字，这种新评分提供了一种实用的方式来指导治疗，而不会让医生陷入复杂的计算之中。研究表明，这种简化方法可以安全地将许多此前被标记为高风险的患者重新分类为低风险类别。这种区分至关重要，因为它允许医疗团队量身定制其预防策略。被确定为真正高风险的患者可以接受更强的保护措施，而处于低风险组的患者则可能避免带有自身危险（如脑出血）的不必要干预。研究人员证实，这种方法在不同医院和患者群体中均有效，表明它有望成为帮助神经外科医生为患者做出更安全、更个性化决策的可靠标准。
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。