基于機(jī)器學(xué)習(xí)構(gòu)建住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型的系統(tǒng)評價(jià)

楊楠楠，蔣慧萍，史婷奇，

（1.南京中醫(yī)藥大學(xué)鼓樓臨床醫(yī)學(xué)院，江蘇 南京 210008；2.南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院 護(hù)理部，江蘇 南京 210008）

深靜脈血栓形成（deep venous thrombosis, DVT）是住院患者常見的并發(fā)癥[1]，不同疾病患者在住院期間DVT 的發(fā)生率為0.2%～85.0%[2]， 因DVT 引起肺動脈栓塞（pulmonary embolism, PE）而死亡的住院患者占比為5%～10%[3]。 因此，早期識別住院患者發(fā)生DVT 的可能高危因素，及時制定針對性的預(yù)防或干預(yù)措施尤為重要[4]。 當(dāng)前，靜脈血栓栓塞的風(fēng)險(xiǎn)預(yù)測仍以紙質(zhì)量表（如Caprini、Autar 等）為主，但對于術(shù)后、腫瘤患者等不同情況的住院患者來說，傳統(tǒng)量表預(yù)測或評估結(jié)果特異性偏低[5，17]。 且量表中納入的部分血液指標(biāo)等數(shù)據(jù)難以直接獲取， 導(dǎo)致預(yù)測準(zhǔn)確率并不理想，難以客觀反映不同人群DVT 的潛在風(fēng)險(xiǎn)。當(dāng)前基于機(jī)器學(xué)習(xí)構(gòu)建的DVT 風(fēng)險(xiǎn)預(yù)測模型在國外率先引起研究熱潮[6]。 機(jī)器學(xué)習(xí)，作為計(jì)算機(jī)科學(xué)更廣泛領(lǐng)域中人工智能的一個子集。 其原理是基于算法從海量數(shù)據(jù)中學(xué)習(xí)內(nèi)在規(guī)律， 實(shí)現(xiàn)對未知樣本的預(yù)測[7]。 現(xiàn)已成為醫(yī)學(xué)領(lǐng)域常用的研究方法之一。 基于機(jī)器學(xué)習(xí)技術(shù)對住院患者電子病歷進(jìn)行患者特征提取來構(gòu)建DVT 風(fēng)險(xiǎn)預(yù)測模型的相關(guān)研究日益廣泛[8]。 本研究對該研究領(lǐng)域相關(guān)文獻(xiàn)進(jìn)行全面檢索、整理與質(zhì)量評價(jià)，旨在推動高質(zhì)量預(yù)測模型在住院患者DVT 領(lǐng)域的應(yīng)用，為未來相關(guān)研究的改進(jìn)與實(shí)踐提供參考依據(jù)。

1 資料與方法

1.1 方法 本研究依據(jù)系統(tǒng)評價(jià)和薈萃分析優(yōu)選報(bào)告項(xiàng)目 （Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）進(jìn)行報(bào)告[9]。

1.2 納入與排除標(biāo)準(zhǔn) 納入標(biāo)準(zhǔn)： （1）研究對象為年齡≥18 歲的住院患者； （2）研究內(nèi)容為基于機(jī)器學(xué)習(xí)算法構(gòu)建住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型，且模型經(jīng)過內(nèi)部和（或）外部驗(yàn)證；（3）以中文或英文發(fā)表。

排除標(biāo)準(zhǔn)：（1）因靜脈血栓栓塞相關(guān)并發(fā)癥而住院的住院患者；（2）未描述模型構(gòu)建過程或方法的文獻(xiàn)；（3）不能獲取原文或數(shù)據(jù)不完整；（4）會議摘要、學(xué)位論文、重復(fù)文獻(xiàn)。

1.3 文獻(xiàn)檢索策略 檢索中國知網(wǎng)(CNKI)、萬方數(shù)據(jù)知 識 服 務(wù) 平 臺、PubMed、Embase、Cochrane Library、CINAHL、Web of Science， 時限為建庫至2023 年3月。中文檢索詞為深靜脈血栓、DVT、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、極限梯度提升、隨機(jī)森林、人工智能、預(yù)測模型。 以主題詞＋自由詞檢索。 語言限制為中文或英文。PubMed 數(shù)據(jù)庫檢索策略見圖1。

圖1 PubMed 數(shù)據(jù)庫檢索策略

1.4 文獻(xiàn)篩選與資料提取 2 名研究者根據(jù)納入與排除標(biāo)準(zhǔn)獨(dú)立完成文獻(xiàn)篩選和數(shù)據(jù)提取工作， 出現(xiàn)分歧時， 由第3 名研究者協(xié)助決策。 提取文獻(xiàn)信息為：作者、發(fā)表年份、研究對象、數(shù)據(jù)來源、DVT 發(fā)生率、建模模型、模型預(yù)測性能、驗(yàn)?zāi)７椒?、主要預(yù)測因子等。

1.5 納入文獻(xiàn)的質(zhì)量學(xué)評價(jià) 使用預(yù)測模型構(gòu)建數(shù)據(jù)提取和質(zhì)量評價(jià)清單 （Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies, CHARMS[10]）對 納 入研究進(jìn)行偏倚風(fēng)險(xiǎn)與適用性評價(jià)。 CHARMS 包括數(shù)據(jù)來源、參與者、預(yù)測結(jié)局、預(yù)測因子篩選、樣本量、缺失數(shù)據(jù)處理、模型建立、模型性能、模型評價(jià)、性能結(jié)果、討論共11 項(xiàng)條目。 2 名研究者分別使用上述工具對納入文獻(xiàn)作數(shù)據(jù)提取與質(zhì)量評價(jià)， 意見不一致時可討論， 若仍有分歧則由第3 名研究者作最終決策。

1.6 統(tǒng)計(jì)學(xué)分析 本研究從偏倚風(fēng)險(xiǎn)與適用性2個方面評價(jià)納入文獻(xiàn)。綜合方法學(xué)質(zhì)量較高的文獻(xiàn)，描述性分析預(yù)測模型的特征與性能。

2 結(jié)果

2.1 文獻(xiàn)篩選流程及結(jié)果 數(shù)據(jù)庫檢索共獲得859篇文獻(xiàn)，經(jīng)過查重、多次復(fù)篩后，最終納入文獻(xiàn)13篇[11-23]，其 中3 篇[11-12，23]中 文 文 獻(xiàn)，10 篇[13-22]英 文 文獻(xiàn)。 文獻(xiàn)篩選流程見圖2。

圖2 文獻(xiàn)檢索流程圖

2.2 納入文獻(xiàn)基本特征 納入研究的基本特征見表1。 納入研究的發(fā)表時間集中于2021—2023 年。其中，7 項(xiàng)研究[11-13，17，20，21-23]在國內(nèi)開展，6 篇[14-16，18-19，21]文獻(xiàn)在國外開展；研究類型方面，13 篇文獻(xiàn)均為回顧性研究；研究對象分布方面，術(shù)后住院患者6 篇[11-16]、常規(guī)住院患者3 篇[17-19]、腫瘤住院患者3 篇[21-22]、妊娠住院患者1 篇[23]。 DVT 發(fā)生率為0.95%～50%。

表1 納入文獻(xiàn)的基本特征

2.3 納入文獻(xiàn)偏倚風(fēng)險(xiǎn)與適用性評價(jià) 使用CHARMS 對13 篇文獻(xiàn)作偏倚風(fēng)險(xiǎn)與適用性評價(jià)，在全部11 項(xiàng)評價(jià)項(xiàng)目中，有2 篇文獻(xiàn)[12，23]“不清楚”與“高風(fēng)險(xiǎn)”結(jié)果數(shù)量﹥5，即整體方法學(xué)質(zhì)量較低，因此在本環(huán)節(jié)舍棄，不進(jìn)入下一環(huán)節(jié)的數(shù)據(jù)提取、分析與討論。 13 篇文獻(xiàn)偏倚風(fēng)險(xiǎn)與適用性評價(jià)見表2。

表2 納入文獻(xiàn)偏倚風(fēng)險(xiǎn)與適用性評價(jià)

對余下11 篇[11，13-22]文獻(xiàn)進(jìn)行偏倚風(fēng)險(xiǎn)與適用性評價(jià)。在納入研究模型偏倚風(fēng)險(xiǎn)評價(jià)中，“模型評價(jià)”與“結(jié)果”項(xiàng)目偏倚較大：“模型評價(jià)”項(xiàng)目中所有文獻(xiàn)均未采用外部驗(yàn)證，僅部分文獻(xiàn)[16，18，22]明確匯報(bào)了驗(yàn)證數(shù)據(jù)的調(diào)整與校準(zhǔn)過程。“結(jié)果”項(xiàng)目中，多數(shù)文獻(xiàn)未明確匯報(bào)訓(xùn)練集與驗(yàn)證集的預(yù)測變量以及缺失數(shù)據(jù)的分布情況。 “數(shù)據(jù)來源”、“樣本量”、“模型建立”項(xiàng)目偏倚風(fēng)險(xiǎn)低：“數(shù)據(jù)來源”項(xiàng)目中11 篇文獻(xiàn)均為病例對照類研究或隊(duì)列研究。 因此整體獲得低偏倚風(fēng)險(xiǎn)評價(jià)。 “樣本量”中11 篇文獻(xiàn)均達(dá)到CHARMS建議，因此整體獲得低偏倚風(fēng)險(xiǎn)評價(jià)?！澳Ｐ徒ⅰ表?xiàng)目中所有文獻(xiàn)均明確匯報(bào)了模型開發(fā)過程中的數(shù)據(jù)分配情況與建模工具的選擇等， 因此整體獲得低偏倚風(fēng)險(xiǎn)評價(jià)。

在納入研究模型適用性評價(jià)領(lǐng)域中。 “數(shù)據(jù)來源”項(xiàng)目中：多數(shù)文獻(xiàn)[11-14，17-23]采用的是研究醫(yī)院的內(nèi)部數(shù)據(jù)庫，易丟失數(shù)據(jù)或缺少重要預(yù)測因子，使得預(yù)測模型的適用性受到影響， 因此整體適用性水平較低。 “預(yù)測因子篩選”中部分文獻(xiàn)[11，13，18，21]未明確匯報(bào)是否盲篩預(yù)測因子或未體現(xiàn)篩選過程， 因此獲得“高風(fēng)險(xiǎn)”或“不清楚”評價(jià)。 其他項(xiàng)目中多數(shù)文獻(xiàn)表述規(guī)范，符合CHARMS 中模型適用性建議，但由于所有文獻(xiàn)均未進(jìn)行外部驗(yàn)證， 因此本次描述性分析中涉及的11 篇文獻(xiàn)整體模型適用性水平一般。

綜上，本次研究最終篩選出的11 篇較高質(zhì)量文獻(xiàn)的整體偏倚風(fēng)險(xiǎn)較低，預(yù)測模型適用性水平一般。

2.4 模型構(gòu)建情況 最終納入的11 篇[11，13-22]文獻(xiàn)?；颊咛卣魈崛?shù)為14～108 個， 樣本量為573～94 657例；隨機(jī)森林模型（Random Forest, RF）7 次、邏輯回歸（Logistic Regression, LR）7 次、決 策 樹（Decision Tree, DT）1 次、 極限梯度提升 （Extreme Gradient Boosting, XGBoost）7 次、支持向量機(jī)（Support Vector Machine, SVM）5 次、人工神經(jīng)網(wǎng)絡(luò)（Neural Network,NNET）1 次。多篇研究[11，13-14，16-18，20，22]構(gòu)建了2 種及2 種以上的機(jī)器學(xué)習(xí)模型作性能對比；11 篇文獻(xiàn)均明確匯報(bào)了數(shù)據(jù)庫與數(shù)據(jù)來源， 數(shù)據(jù)類型均為文本型數(shù)據(jù)。 其中，2 篇文獻(xiàn)[15-16]使用了國家級開源數(shù)據(jù)庫； 建模工具方面，11 篇文獻(xiàn)均明確匯報(bào)了 建 模 工 具 與 軟 件 包；9 篇 文 獻(xiàn)[11，13，15-18，20-22]明 確匯報(bào)了數(shù)據(jù)缺失現(xiàn)象及插補(bǔ)方法，使用均值填充、中位數(shù)填充或KNN 插值等方法作數(shù)據(jù)處理。詳情見表3。

表3 11 篇較高質(zhì)量文獻(xiàn)的模型特征

2.5 模型性能和預(yù)測因子 該環(huán)節(jié)篩選了上述11篇文獻(xiàn)中的推薦模型， 詳情見表4。 從分布趨勢上看，共7 篇文獻(xiàn)[11，13-16，19，22]認(rèn)為XGBoost 為推薦模型。其中在術(shù)后住院患者這一亞群體中， 5 篇[11，13-16]文獻(xiàn)均認(rèn)為XGBoost 可作為術(shù)后住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型的推薦模型； 其他亞群體深靜脈血栓風(fēng)險(xiǎn)預(yù)測推薦模型的分布相對分散。

表4 納入文獻(xiàn)推薦模型

該環(huán)節(jié)提取了上述推薦模型的性能特征，詳情見表5。 11 篇文獻(xiàn)均詳細(xì)報(bào)告了模型性能指標(biāo)與效果評價(jià)。 11 個代表模型曲線下面積（Receiver Operating Characteristic，ROC） 得分為0.710～0.976， 準(zhǔn)確率（Accuracy，AC）為71.0%～95.7%；8 篇文獻(xiàn)[13，15，17-22]明確匯報(bào)了過度擬合問題的處理； 納入的主要預(yù)測因子共74 個，Wang 等[13]的研究結(jié)果與結(jié)論側(cè)重于模型性能報(bào)告，文中未見主要預(yù)測因子的總結(jié)與排序。對于住院患者整體而言，主要預(yù)測因子集中于年齡、血栓史、D-二聚體、住院時間、腫瘤史等因子。 術(shù)后住院患者、常規(guī)住院患者、腫瘤住院患者、妊娠住院患者等4 類亞群體相較于住院患者整體而言， 預(yù)測因子具有一定的特異性。

表5 納入文獻(xiàn)推薦模型性能特征

3 討論

3.1 納入文獻(xiàn)整體偏倚風(fēng)險(xiǎn)較低，預(yù)測模型適用性水平一般 本研究納入的11 篇文獻(xiàn)在研究設(shè)計(jì)與模型開發(fā)過程中設(shè)計(jì)較為規(guī)范， 但在模型評價(jià)偏倚風(fēng)險(xiǎn)層面，納入文獻(xiàn)均為單中心的內(nèi)部驗(yàn)證研究，缺乏外部驗(yàn)證的數(shù)據(jù)支持。 整體方法學(xué)質(zhì)量較高：（1）納入文獻(xiàn)均為隊(duì)列研究或病例對照研究， 納排標(biāo)準(zhǔn)明確、規(guī)范，最大程度的減少了選擇性偏倚，預(yù)測模型的適用性水平得以提高。 （2）納入文獻(xiàn)的28 個模型中，所有推薦模型ROC 得分≥0.7，說明基于機(jī)器學(xué)習(xí)構(gòu)建的風(fēng)險(xiǎn)預(yù)測模型可以準(zhǔn)確地預(yù)測住院患者深靜脈血栓的潛在風(fēng)險(xiǎn)。部分文獻(xiàn)[11，13-14，16-18，20，22]構(gòu)建了多種模型，對預(yù)測性能進(jìn)行橫向?qū)Ρ?，從而得出推薦模型和重要程度更高的主要預(yù)測因子。如He 等[17]研究團(tuán)隊(duì)將隨機(jī)森林模型結(jié)合Caprini 量表對創(chuàng)傷后住院患者深靜脈血栓形成作模型建構(gòu)并內(nèi)部驗(yàn)證，將其與隨機(jī)森林、Caprini 量表的預(yù)測性能分別對比。 結(jié)果顯示隨機(jī)森林與Caprini 量表的結(jié)合預(yù)測性能表現(xiàn)突出，預(yù)測性能在三者中表現(xiàn)最佳。（3）納入文獻(xiàn)的研究對象足夠細(xì)化具體，對亞群體的模型個性化構(gòu)建，如術(shù)后住院患者、腫瘤住院患者等深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建，極大提高了各預(yù)測模型的準(zhǔn)確性和普適性。（4）然而，納入文獻(xiàn)中部分模型構(gòu)建過程也存在數(shù)據(jù)來源非開源、 預(yù)測因子篩選非盲法的情況，這可能會引起模型的過度擬合，一定程度上加大了研究的偏倚風(fēng)險(xiǎn)[23]，且降低了模型的適用性。

3.2 相關(guān)預(yù)測模型發(fā)展迅速，研究對象有進(jìn)一步細(xì)化分層的趨勢 本研究系統(tǒng)檢索了國內(nèi)外機(jī)器學(xué)習(xí)模型在住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型的相關(guān)研究，發(fā)現(xiàn)多數(shù)文獻(xiàn)的發(fā)表年份集中，發(fā)展迅速。且多數(shù)已有研究對于住院患者這一群體有更進(jìn)一步的細(xì)化分層，如術(shù)后患者、常規(guī)住院、腫瘤患者、妊娠患者等。這一趨勢直接或間接地提高了預(yù)測模型的準(zhǔn)確性，對于后續(xù)研究有著重要的參考意義。 另外，由于不同國家或地區(qū)的醫(yī)療護(hù)理標(biāo)準(zhǔn)、文化背景等諸多方面的差異，且多數(shù)研究并沒有進(jìn)行外部驗(yàn)證，因此，部分高質(zhì)量模型的適用性與可推廣性仍有待進(jìn)一步驗(yàn)證[24]。 未來研究者可以考慮多中心、大樣本研究，加強(qiáng)前瞻性研究，同時重視外部驗(yàn)證，開發(fā)出可同時滿足標(biāo)準(zhǔn)化、個性化、實(shí)用性與適用性的預(yù)測模型，彌補(bǔ)傳統(tǒng)量表機(jī)械、普適性不強(qiáng)等方面的不足[25]，發(fā)揮人工智能、數(shù)據(jù)挖掘在醫(yī)療領(lǐng)域“治未病”的巨大潛力。

3.3 XGBoost 模型在術(shù)后住院患者中的預(yù)測性能突出 本研究通過對住院患者的進(jìn)一步劃分， 發(fā)現(xiàn)XGBoost 模型在術(shù)后住院患者這一亞群體中的預(yù)測模型性能表現(xiàn)突出。 Ryan 等[19]在文獻(xiàn)中指出XGBoost模型是一種集合學(xué)習(xí)技術(shù)， 它結(jié)合了多個決策樹的結(jié)果來創(chuàng)建預(yù)測分?jǐn)?shù)。 當(dāng)該模型遇到數(shù)據(jù)更為龐大的電子病歷系統(tǒng)時， 通過電子病歷系統(tǒng)自動輸入變量，納入更多的數(shù)據(jù)點(diǎn)，其預(yù)測性能往往比普通模型更佳[26]。 術(shù)后住院患者的電子病歷不僅包含術(shù)后的醫(yī)療護(hù)理和生理數(shù)據(jù)，還包括術(shù)前、術(shù)中的評估與生化檢查等龐大數(shù)據(jù)量[27]，這些數(shù)據(jù)在傳統(tǒng)量表或普通預(yù)測模型中往往被忽略[5]，具備集合學(xué)習(xí)技術(shù)的XGBoost 模型恰好符合了大數(shù)據(jù)時代對于高處理速度、高處理能力與識別復(fù)雜關(guān)聯(lián)能力的嚴(yán)苛要求。這也與Lu[28]和Kumar[29]等的觀點(diǎn)一致。 上述研究團(tuán)隊(duì)分別證明了XGBoost 在前交叉韌帶重建術(shù)后患者過夜入院和肩關(guān)節(jié)置換術(shù)后患者臨床結(jié)局風(fēng)險(xiǎn)等級劃分的積極作用。其他預(yù)測模型如LR，RF 等在腫瘤住院患者的深靜脈血栓風(fēng)險(xiǎn)預(yù)測中也表現(xiàn)了不俗的預(yù)測能力，其預(yù)測性能均優(yōu)于傳統(tǒng)預(yù)測方法[17，20]。

3.4 年齡、VTE 史、住院時間、用藥史、D- 二聚體凝血酶原活動度是預(yù)測住院患者深靜脈血栓風(fēng)險(xiǎn)的重要因素，生化指標(biāo)發(fā)揮重要作用 本研究結(jié)果顯示，高齡、D-二聚體陽性、具有VTE 史、住院時間長、凝血酶原活動度低等因素是引起深靜脈血栓形成的高危因素，在術(shù)后住院患者、常規(guī)住院患者或是腫瘤住院患者群體中均有不同程度的影響。這與目前臨床常用預(yù)測工具Caprini 預(yù)測指標(biāo)有重疊部分[30]，也反映了交叉預(yù)測因子的可驗(yàn)證性。 但重點(diǎn)有所轉(zhuǎn)移，基于機(jī)器學(xué)習(xí)的預(yù)測模型多采用自動輸入的方式導(dǎo)入了電子醫(yī)療記錄的數(shù)據(jù)， 更多的生化、實(shí)驗(yàn)室指標(biāo)被納入，且在預(yù)測性能中發(fā)揮重要作用，提高了預(yù)測模型的準(zhǔn)確率。 如凝血酶原活動度、血細(xì)胞比容等。

3.5 基于機(jī)器學(xué)習(xí)算法構(gòu)建住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型的應(yīng)用建議 深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型作為發(fā)現(xiàn)并識別住院患者靜脈栓塞的有效工具，可以早期篩查和識別高危人群、高危因素，從而預(yù)測目標(biāo)人群發(fā)生深靜脈血栓栓塞的潛在風(fēng)險(xiǎn)[6]。 這對于患者身心健康、醫(yī)院醫(yī)療護(hù)理質(zhì)量、社會資源均有較高的研究價(jià)值與意義。如利用機(jī)器學(xué)習(xí)算法模型對患者病情進(jìn)行分類和預(yù)測[31]、為醫(yī)師制定治療方案、護(hù)士發(fā)現(xiàn)潛在健康問題，制定相應(yīng)護(hù)理措施提供有力依據(jù)。 但不可否認(rèn)的是，本次研究所納入的研究在模型構(gòu)建與模型驗(yàn)證等方面仍存在局限性。如缺乏外部驗(yàn)證、樣本量不足、缺少多中心研究等。后續(xù)研究應(yīng)盡量開展成熟模型外部驗(yàn)證的普適性研究，從而建立完善、全面的風(fēng)險(xiǎn)預(yù)測信息平臺，充分發(fā)揮人工智能與數(shù)據(jù)挖掘技術(shù)對醫(yī)療衛(wèi)生行業(yè)的正向促進(jìn)作用。

3.6 本研究局限性 本研究納入文獻(xiàn)在患者住院原因、模型算法、結(jié)局評價(jià)指標(biāo)等存在差異，數(shù)據(jù)異質(zhì)性較大，文獻(xiàn)數(shù)量相對較少，因此未對提取到的數(shù)據(jù)資料進(jìn)行量性整合分析。此外，本研究納入文獻(xiàn)以中等質(zhì)量為主，且多為回顧性研究，無法驗(yàn)證納入模型的實(shí)際預(yù)測效果。 未來研究可聚焦于某一特定群體與算法進(jìn)行量化分析， 如本文中XGBoost 預(yù)測模型對術(shù)后住院患者深靜脈血栓形成的預(yù)測作用。

4 結(jié)論

本研究納入11 篇文獻(xiàn)，包含28 個住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測的機(jī)器學(xué)習(xí)模型。 研究顯示，該領(lǐng)域相關(guān)文獻(xiàn)整體方法學(xué)質(zhì)量較好，文獻(xiàn)偏倚風(fēng)險(xiǎn)評價(jià)較低，預(yù)測模型適用性水平一般。 不同亞群體住院患者所采用的機(jī)器學(xué)習(xí)模型有所側(cè)重。傳統(tǒng)預(yù)測工具中所忽視的生化、實(shí)驗(yàn)室指標(biāo)在機(jī)器學(xué)習(xí)模型的預(yù)測性能中發(fā)揮了重要作用。但多數(shù)模型在驗(yàn)證過程中缺少外部驗(yàn)證與多中心研究，這在一定程度上影響了模型的穩(wěn)定性和外推性。 未來研究中，相關(guān)研究人員可結(jié)合臨床實(shí)際， 進(jìn)一步利用成熟的機(jī)器學(xué)習(xí)算法開發(fā)、整合、應(yīng)用、優(yōu)化住院患者深靜脈血栓風(fēng)險(xiǎn)預(yù)測模型，來有效預(yù)防深靜脈血栓及相關(guān)并發(fā)癥的發(fā)生。