極限梯度提升算法風險預測模型在全膝關節(jié)置換術后深靜脈血栓中的預測性能

劉佳麗，馮自波，謝燕妮，黃 松

1華中科技大學同濟醫(yī)學院附屬梨園醫(yī)院骨科，湖北 武漢 430000

2華中科技大學同濟醫(yī)學院附屬梨園醫(yī)院血管外科，湖北 武漢 430000

全膝關節(jié)置換術（total knee replacement，TKR）是治療終末期膝骨關節(jié)炎的有效方法，可以緩解患者的疼痛，促進膝關節(jié)功能恢復[1]。深靜脈血栓（deep vein thrombosis，DVT）是四肢骨折圍手術期的常見并發(fā)癥之一，可導致肺栓塞和血栓后綜合征，其中肺栓塞導致的猝死率高達34%，嚴重影響患者的預后和生活質量[2]。DVT是一種由深靜脈血液凝固引起的靜脈回流疾病，一般表現(xiàn)為血流緩慢、血液高凝狀態(tài)、靜脈壁損傷[3]。研究表明，TKR術后患者的DVT發(fā)病率為69.9%[4]。因此，DVT的早期診斷和治療極其重要。近年來，由于極限梯度提升（extreme gradient boosting，XGBoost）算法模型具有較高的靈敏度和準確度，并且可以高效解決分類問題，同時由于其輸入數(shù)據(jù)要求較低，能夠進行變量的自動選擇和降低計算的復雜性，已被廣泛地用于統(tǒng)計、數(shù)據(jù)挖掘和機器學習等[5]。在醫(yī)學領域，XGBoost算法模型可以利用歷史案例中的數(shù)據(jù)為患者的病情進行分類和預測[6]，并且其臨床數(shù)據(jù)和特定算法直接預測術后指標也為醫(yī)師制定治療方案提供了合理有效的判斷，在一定程度上為后續(xù)的醫(yī)療工作做出了進一步的指導。近年來，研究報道了DVT形成的相關高危因素，但很少有關于XGBoost算法模型預測TKR術后DVT形成的研究[7-8]。因此，本研究基于XGBoost算法構建TKR術后患者DVT的預測模型，旨在探討其危險因素，以期為TKR術后DVT的早期干預提供理論指導，現(xiàn)報道如下。

1 資料與方法

1.1 一般資料

收集2020年1月至2021年12月華中科技大學同濟醫(yī)學院附屬梨園醫(yī)院收治的TKR患者的臨床資料。納入標準：年齡小于80歲；第1次接受單側TKR手術；出院時病情穩(wěn)定；無術后并發(fā)癥[9-10]。排除標準：伴嚴重心血管疾病、腦血管疾病和惡性腫瘤；伴精神障礙無法正常配合；髖關節(jié)和踝關節(jié)畸形影響膝關節(jié)功能；既往有TKR或同時進行雙側TKR[10-11]。根據(jù)納入與排除標準，最終納入100例TKR患者。根據(jù)術后雙下肢超聲檢查結果將訓練組患者分為DVT組（n＝50）和非DVT組（n＝50）。

1.2 XGBoost算法模型

XGBoost算法是一種優(yōu)化的分布式梯度計算集成算法，來源于梯度提升迭代決策樹算法[12]?；谔荻忍嵘鷽Q策樹算法，提出了一種二階泰勒函數(shù)對數(shù)據(jù)進行分類，具體的醫(yī)學計算方法：對于包含n條m維的數(shù)據(jù)集D＝{（xi，yi）}（xi∈Rm，yi∈R，i＝1，2，...n），XGBoost模型可表示為

XGBoost模型的目標函數(shù)可分為誤差函數(shù)項L和模型復雜度函數(shù)項Ω，Obj＝L+Ω，在XGBoost算法中，為快速尋找到使目標函數(shù)最小化的參數(shù)，對目標函數(shù)進行二階泰勒展開，得到近似目標函數(shù)。Obj是可作為評價模型的打分函數(shù)，Obj值越小則模型效果越好。

1.3 TKR術后處理方法

TKR術后定期進行血栓栓塞風險評估，無禁忌證的患者皮下注射低分子肝素鈉，每天0.4 ml，同時，對患者進行足底靜脈泵操作，每次20 min，每天2次。TKR術后1 d，采集所有患者清晨空腹外周靜脈血的血樣，并監(jiān)測D-二聚體、血常規(guī)和凝血功能。術后3~5 d進行下肢靜脈超聲檢查，對于DVT患者給予低分子肝素鈣0.4 ml，每天2次，并停止足底靜脈泵和抗凝劑12 h。

1.4 觀察指標及判定標準

收集所有患者的臨床資料，包括年齡、性別、既往病史（高血壓、冠心病）、損傷嚴重程度評分（injury severity score，ISS）、從受傷到手術時間、手術時間，術中輸血量、術中失血量、術后1天血紅蛋白、D-二聚體水平、住院時間。其中，ISS＜16分為輕度損失，16~25分為中度損傷，ISS＞25分為重度損傷[13]。根據(jù)美國麻醉醫(yī)師協(xié)會（American Society of Anesthesiologists，ASA）分級將患者病情分為5級：Ⅰ級，健康；Ⅱ級，患有全身性疾病，但具有良好的代償功能；Ⅲ級，嚴重的全身性疾病，且日常功能被限制；Ⅳ級，代償功能不全，日常功能喪失；Ⅴ級，病情嚴重，有生命危險[14]。

下肢深靜脈內徑沿著手術部位自下而上觀察四肢，若出現(xiàn)以下現(xiàn)象則診斷為DVT形成：栓塞部位下方的管腔擴大且靜脈腔不能關閉；在內腔中有一個堅實的回聲且強度不等；脈搏和彩色多普勒超聲示少量或無血流信號。

1.5 統(tǒng)計學方法

應用SPSS 20.0軟件對數(shù)據(jù)進行統(tǒng)計分析，符合正態(tài)分布且方差齊性的計量資料以（）表示，組間比較采用兩獨立樣本t檢驗；計數(shù)資料以n（%）表示，組間比較采用χ2檢驗；采用受試者工作特征（receiver operating characteristic，ROC）曲線進行診斷價值分析，計算ROC曲線下面積（area under the curve，AUC）。P＜0.05為差異有統(tǒng)計學意義。

2 結果

2.1 預測模型流程圖

根據(jù)XGBoost算法構建的TKR術后DVT患者預測模型流程圖見圖1。

圖1 基于XGBoost算法構建的TKR術后DVT患者預測模型流程圖

2.2 臨床特征的比較

兩組患者糖尿病和高脂血癥、ASA分級、ISS、手術時間、術中輸血量、術中失血量和住院時間比較，差異均無統(tǒng)計學意義（P＞0.05）。兩組患者性別、年齡、受傷至手術時間、血紅蛋白、冠心病、合并多發(fā)傷比較，差異均有統(tǒng)計學意義（P＜0.05）。（表1）

表1 術后1 d兩組患者臨床特征比較

2.3 XGBoost算法模型TKR術后DVT患者臨床特征評分

將中的數(shù)據(jù)集成到XGBoost算法模型中，前5名特征評分依次為合并多發(fā)傷（35分）、從受傷到手術的時間（28分）、年齡（24分）、合并冠心?。?1分）、術后1天D-二聚體（16分）。（圖2）

圖2 XGBoost算法模型中TKR術后DVT形成患者的重要特征評分

2.4 XGBoost算法模型的校準度

訓練組中XGBoost算法模型的AUC為0.832，95%CI：0.748~0.916。（圖3）

圖3 基于XGBoost算法TKR術后DVT患者的ROC曲線

3 討論

隨著人口結構的老齡化，TKR患者日益增多[15]。DVT是骨科手術后常見的并發(fā)癥。研究結果顯示，術后DVT的發(fā)生率為57%~62%，而DVT的病死率為0.5%~44.0%[16]。Jethwa等[17]研究結果顯示，診斷為血液高凝狀態(tài)的患者術后DVT的發(fā)生風險較高。Prandoni等[18]發(fā)現(xiàn)88例TKR術后患者DVT發(fā)生率為62.5%。上述結果均與本研究結果相似。TKR患者高發(fā)DVT原因可能是TKR術后對組織和血管壁造成了較大損傷，導致了更多的出血，此外，術后疼痛的患者經(jīng)常臥床休息，這也進一步加劇了血液瘀滯，增加DVT的發(fā)生風險。因此，TKR術后患者必須高度重視，加強對DVT的篩查，預防血栓形成。

研究發(fā)現(xiàn)，TKR術后發(fā)生DVT是一種預后不良反應，也是死亡的重要影響因素[19]。然而，對于導致DVT的風險因素仍然沒有定論。相關研究通過對髖部骨折患者的分析，發(fā)現(xiàn)術后發(fā)生DVT患者的平均住院時間為9.45 d，而無DVT患者的住院時間平均為1.06 d[20]。本研究結果顯示，從受傷到手術時間是DVT形成的獨立危險因素，與之前的研究類似[21]。這可能是由于長期制動、牽引或疼痛，導致長時間臥床，在一定程度上造成了肌肉萎縮，從而進一步造成了DVT的高凝狀態(tài)。因此，患者應該在受傷后盡快送入醫(yī)院，并且在條件允許的情況下盡快進行外科手術，以降低發(fā)生DVT的風險。除此之外，60歲以上的患者由于身體機能下降，很容易對血管內膜造成損傷，使得血管彈性和血液循環(huán)功能下降，從而在一定程度上增加了DVT的發(fā)生風險。本研究也發(fā)現(xiàn)年齡是DVT的一個重要危險因素，與Gwozdz等[22]研究結果相一致。研究結果顯示，年齡超過60歲是DVT的獨立危險因素，并且其在骨折術后患者中的發(fā)病率更高[23]。但也有學者認為，DVT的發(fā)病率與年齡無關，可能是由于在患者受傷后及時進行DVT的篩查，并積極進行了相關治療[24]。除此之外，本研究還發(fā)現(xiàn)冠心病也是TKR術后發(fā)生DVT的一個獨立危險因素，與既往研究結果一致[25]。原因可能是冠心病患者的冠狀動脈粥樣硬化造成了血管內皮的損傷，在一定程度上促進了血小板的黏附和聚集，導致凝固的過程加速，從而增加了術后發(fā)生DVT的風險。D-二聚體可較好地反映患者的凝血狀態(tài)，是血栓形成的一個非特異性的指標，目前，其已在臨床血栓疾病的診斷和預后中廣泛應用。本研究結果顯示，D-二聚體是TKR術后發(fā)生DVT的獨立危險因素，與既往研究結果相一致[26]。

馬倩倩等[27]基于XGBoost框架建立了一個成年人群腫瘤模型，以實現(xiàn)對腫瘤患病風險更精確的預測。另外，在預測Stanford B型急性主動脈夾層患者術后的生存價值時，張思源等[28]證明了XGBoost模型預測效能顯著強于Logistic回歸模型。本研究所建立的XGBoost算法模型對預測TKR術后DVT患者具有較高的靈敏度和特異度，同時，評估效果也較為明顯，不同的模型算法各有其優(yōu)勢和缺點，未來將嘗試使用新的算法對疾病的預后進行評估。本研究的不足之處：屬于一項小型的單中心回顧性研究，具有一定局限性，需要在大型前瞻性多中心樣本研究中做進一步驗證；其次，由于樣本數(shù)量不夠，在分析TKR術后發(fā)生DVT的影響因素時，并沒有分層對這些因素進行分析；此外，雖然XGBoost算法模型在處理高維變量復雜的相互作用以及變量和非線性關系中的預測有著較高的有效性，但同時也會受到變量的性質、數(shù)量、類型以及樣本量大小的影響。

綜上所述，基于XGBoost算法的模型可以預測TKR術后患者發(fā)生DVT的風險情況。TKR的合并多發(fā)傷、從受傷到手術時間、年齡、冠心病、術后1天D-二聚體水平可作為TKR后DVT的預測指標，并且其預測性能良好。