基于XGBoost模型预测下肢骨折患者术后深静脉血栓形成风险的临床研究
李陶陶
张雨露
马丽
宋田田
储雨晴
李莉
237000 六安,安徽医科大学附属六安医院骨科
摘要：目的 基于机器学习(machine learning,ML)模型和 Shapley 加性解释(Shapley additive explanations,SHAP)构建预测下肢骨折患者术后深静脉血栓形成(deep vein thrombosis,DVT)风险模型.方法 选取我院 2022 年 2 月至 2023 年 12 月手术治疗的 202 例下肢骨折患者.通过 Boruta 算法筛选术后 DVT重要特征变量.202 例患者以 3∶2 比例分为训练集(n=121)和测试集(n=81)来构建和训练 9 种 ML 模型.使用接收者操作曲线(receiver operating features curve,ROC)评估 9 种 ML 模型预测性能.通过 SHAP 值附加解释 ML 模型并构建预测下肢骨折患者术后 DVT 风险模型.结果 202 例下肢骨折患者术后 DVT 发病率为20.3%.Boruta 算法筛选出空腹血糖(fasting blood glucose,FBG)、红细胞(red blood cells,RBC)、血红蛋白(hemoglobin,Hb)、D-二聚体(D-dimer,D-D)、纤维蛋白原(fibrinogen,FIB)和吸烟是术后 DVT 重要特征变量.9 种 ML 算法中,训练集和测试集的 ROC 证实极限梯度提升(extreme gradient boosting,XGBoost)模型预测术后 DVT 风险性能最高.基于 SHAP 值附加解释和可视化的 XGBoost 模型能以极高准确度预测 DVT 风险并生成在线应用程序.结论 基于 SHAP 值解释的 XGBoost 模型能精准预测下肢骨折患者术后 DVT 风险.基于此开发的在线应用程序能够实时计算患者术后 DVT风险.
关键词：骨折下肢静脉血栓形成机器学习
分类号：R683.4(骨科学（运动系疾病、矫形外科学）)
论文发表日期：2025-04-19
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 337-342 )
英文信息