基于機器學(xué)習(xí)算法構(gòu)建老年重癥病人靜脈血栓栓塞癥風(fēng)險預(yù)測模型

Development of risk prediction model for venous thromboembolism in elderlycriticallyill patient based on machine learning

JIN Jiel， XU Qing2，LU Jie'， ZHAO Jiayue'，ZHANG Qing1，KONG Yang^1* ， XU Hongmeil* 1.Binzhou Medical Colege，Shandong 25660o China;2.Binzhou Medical College Yantai Affiliated Hospital *Corresponding AuthorKONG Yang，E-mail： kongyang@ bzmc.edu.cn; XU Hongmei，E-mail： hmx58@163.com

AbstractObjective：Todeveloprisk prediction modelforvenous thromboembolism（VTE）inelderlycriticalyillpatients basedon machineleatotaflillltoeUtee hospitalsinShandongprovincewereselectedasstudysubjectsfromJanuary2O2OtoJune2O23.Andclinicaldatawerecolected.The patients wererandomlydivided intotrainigset36cases）andvalidationset273cases）at7：3ratio.heocurrenceofVTEduringICU hospitalizationwasused as theoutcome variable.Predictionmodels wereconstructed using 4machinelearing，namelyrandomforest， extremegradientbosting，supportvectormachines，andgadientbostigdecision tre.Modelperformancewas evaluatedusingmetrs suchasareaunderthecure（AUC）ofreceiveoperatorcharacteristicandBrierscoreandteoptialmodelwasselected.Inteeability analysisfthebestperformingmodelasconductedusingteSHAPlgorithmResults：Amongthe909elderlyrticallillpatients58 developed VTE， with incidence of 28.4% .Among the 4 models，the random forest achieved the higher AUC（O.8O3），accuracy（0.733）， senitivity（.662），ndspecificiy（0.76），alongiththelowestBrierScore（O.171）.onclusions：TheriskpredictionmodelforE inelderlycriallyillpatientsdevelopedbasedonandomforestdemonstratedstrongpredictiveperformance.Itouldproideeference for optimizing VTE management in elderly critically ill patients.

Keywordsmachine learming; elderly;critical illess;venous thromboembolism; prediction model; random forest

doi：10.12102/j.issn.1009-6493.2025.14.002

靜脈血栓栓塞癥（venousthromboembolism，VTE）包括深靜脈血栓形成（deepvenousthrombosis，DVT）和肺栓塞（pulmonarythromboembolism，PE），是僅次于心肌梗死和腦卒中的第三大常見心血管疾病，具有發(fā)病率高、病死率高以及復(fù)發(fā)率高的特點，是重癥監(jiān)護室（intensivecareunit，ICU）病人常見的并發(fā)癥之一[1-2]。受合并癥復(fù)雜、營養(yǎng)狀況差以及年齡相關(guān)的器官結(jié)構(gòu)和功能變化等因素影響，ICU中的老年病人更容易發(fā)生VTE，且因其恢復(fù)較慢，由VTE引起的致殘率和死亡率也更高[3。已有研究結(jié)果顯示，65歲以上人群的VTE發(fā)生率約為 60% ，老年重癥病人占50% 以上[5-6]。鑒于此，早期識別老年重癥病人VTE發(fā)生的危險因素，采取針對性預(yù)防措施，對降低VTE發(fā)生率有重要意義。相關(guān)指南推薦不同病人應(yīng)使用不同工具進行VTE風(fēng)險評估，但目前針對老年重癥病人的VTE風(fēng)險評估工具較缺乏。臨床常用的評估工具（如Caprini評分和Padua評分涉及的ICU病人VTE相關(guān)高危因素不足，傳統(tǒng)評分工具建立的預(yù)測模型評估效率及臨床實用性較低。機器學(xué)習(xí)作為人工智能驅(qū)動的健康技術(shù)之一，近年來被廣泛應(yīng)用于臨床實踐[%，其在疾病預(yù)測和診斷方面優(yōu)勢顯著，可為VTE風(fēng)險評估提供更精準的方式。本研究基于機器學(xué)習(xí)算法構(gòu)建老年重癥病人VTE風(fēng)險預(yù)測模型，比較各模型性能，并采用Shapley加性解釋（Shapley additive explanation，SHAP）[11算法對最優(yōu)模型的總體決策方向進行解釋，旨在為醫(yī)護人員快速評估和識別VTE高危病人、及時采取針對性的干預(yù)措施提供參考。

1對象與方法

1. 1 研究對象

選取2020年1月—2023年6月山東省3所三級甲等綜合醫(yī)院ICU收治的909例老年重癥病人作為研究對象。納入標準：1）年齡 ?65 歲；2）入住ICU時間≥48h;3） 病人電子病歷資料完整。排除標準：1）入院前或入住ICU48h內(nèi)診斷為VTE；2）患有凝血功能障礙；3）缺少彩超多普勒或靜脈造影檢查結(jié)果。本研究已通過濱州醫(yī)學(xué)院煙臺附屬醫(yī)院倫理委員會審批（編號：2023383）。

1. 2 VTE診斷標準

1）DVT診斷標準：依據(jù)《深靜脈血栓形成的診斷和治療指南（第三版）》2制定DVT診斷標準，即靜脈管壁不能被壓縮或僅部分被壓縮；靜脈管腔內(nèi)血流信號消失或僅能見部分血流信號。2）PE診斷標準：依據(jù)《肺血栓栓塞癥診治與預(yù)防指南》[13]制定PE診斷標準，即靜脈造影檢查為充盈缺損或閉塞不顯影。

1.3 調(diào)查工具

在文獻回顧的基礎(chǔ)上，通過咨詢專家和課題小組討論自行設(shè)計老年重癥病人VTE危險因素調(diào)查表，包括5個部分。1）病人一般資料：包括年齡、性別、制動時間、格拉斯哥昏迷評分、急性生理與慢性健康狀況評分等；2）既往史：包括冠心病史、心房顫動史、炎性腸病史、近期手術(shù)史等；3）合并疾?。喊ǜ腥?、多發(fā)傷、糖尿病、高血壓、腦卒中、惡性腫瘤等；4）特殊治療措施：包括使用鎮(zhèn)靜劑、血管收縮藥物、輸注紅細胞、輸注血小板、使用機械通氣、使用經(jīng)外周靜脈置入中心靜脈導(dǎo)管（PICC）、使用體外循環(huán)生命支持系統(tǒng)（ECMO）等；5）實驗室檢查指標：包括紅細胞計數(shù)、白細胞計數(shù)、血小板計數(shù)、D-二聚體、凝血酶時間、活化部分凝血活酶時間等。

1.4資料收集方法

病人一般資料、既往史及合并疾病以調(diào)查對象入院時的病歷記錄為準，通過醫(yī)囑記錄和護理記錄獲取病人特殊治療措施信息，實驗室檢查指標以病人入住ICU后的第1次檢驗結(jié)果為準。

1.5 質(zhì)量控制

3所醫(yī)院均使用相同的血常規(guī)檢驗設(shè)備（SysmexXE-5000血液分析儀）和凝血功能檢測設(shè)備（SysmexCA-7000凝血分析儀），且執(zhí)行相同的檢驗流程。機械通氣均使用PB840型號呼吸機，對病人的評估均由接受規(guī)范化培訓(xùn)的ICU護士完成。為保證數(shù)據(jù)收集格式及方法標準化，資料收集前由經(jīng)驗豐富的病案統(tǒng)計員及影像學(xué)專家對小組成員進行同質(zhì)化培訓(xùn)，內(nèi)容包括院內(nèi)電子病歷系統(tǒng)的使用方法、VTE結(jié)局指標的確定、數(shù)據(jù)收集和錄人等。為確保數(shù)據(jù)錄人的準確性，使用EpiData3.1軟件雙人錄人數(shù)據(jù)。

1.6 數(shù)據(jù)預(yù)處理

為了減少缺失數(shù)據(jù)引起的偏倚，對缺失比例≥30% 的變量進行刪除，缺失比例 lt;30% 的變量使用多重插補法進行填補。考慮到不同實驗室指標的波動范圍較大，對連續(xù)性變量進行Z-score標準化處理?；赟MOTE（syntheticminorityoversamplingtechnique）過采樣技術(shù)進行數(shù)據(jù)采樣，解決數(shù)據(jù)集樣本的不均衡問題。

1.7 模型的開發(fā)與驗證

按照7：3比例將數(shù)據(jù)集隨機劃分為訓(xùn)練集（636例）和驗證集（273例）。訓(xùn)練集數(shù)據(jù)用于模型訓(xùn)練，驗證集數(shù)據(jù)用于評價和選擇模型。將單因素分析和LASSO回歸篩選出來的特征變量作為輸人變量，以VTE發(fā)生情況作為結(jié)局變量，基于機器學(xué)習(xí)算法構(gòu)建4種老年重癥病人VTE風(fēng)險預(yù)測模型，分別為隨機森林（randomforest，RF）、極端梯度提升（extreme gradient boosting，XGBoost）、支持向量機（supportvectormachines，SVM）和梯度提升樹（gradientboostingdecision tree，GBDT）。模型構(gòu)建過程中采用網(wǎng)格搜索對超參數(shù)進行優(yōu)化。采用10折交叉驗證對模型進行訓(xùn)練，即將訓(xùn)練集數(shù)據(jù)分成10等份，輪流將其中9份作為訓(xùn)練集，1份作為驗證集，進行訓(xùn)練和驗證。最終模型評估結(jié)果取10次訓(xùn)練結(jié)果的平均值，以更準確地評估模型的預(yù)測性能。計算受試者工作特征（receiveroperatorcharacteristic，ROC）曲線下面積（AUC）準確度、靈敏度、特異度和Brier分數(shù)評價模型的預(yù)測效能并選出最優(yōu)模型。使用SHAP算法分析特征變量對最優(yōu)預(yù)測模型的具體影響。

1.8 統(tǒng)計學(xué)方法

采用SPSS27.0及Python3.9軟件進行統(tǒng)計分析和建模。符合正態(tài)分布的定量資料以均數(shù)士標準差 表示，組間比較采用獨立樣本檢驗；不符合正態(tài)分布的定量資料以中位數(shù)（四分位數(shù)） [M（P₂₅，P₇₅） ]表示，組間比較采用非參數(shù)檢驗。定性資料采用頻數(shù)、百分比（%） 表示，組間比較采用 χ² 檢驗、Fisher精確概率法或非參數(shù)檢驗。以 Plt;0.05 表示差異有統(tǒng)計學(xué)意義。

2結(jié)果

2.1老年重癥病人VTE發(fā)生影響因素的單因素分析

909例老年重癥病人年齡65～107[75（70，83）]歲，發(fā)生VTE者258例 （28.4% ），未發(fā)生VTE者651例1 71.6% 。單因素分析結(jié)果顯示，VTE組和非VTE組病人既往VTE史、近期手術(shù)史、感染、多發(fā)傷、高脂血癥、使用鎮(zhèn)靜劑、使用血管收縮藥物、輸注紅細胞、輸注血小板、使用機械通氣、機械通氣時間、制動時間、格拉斯哥昏迷評分、D-二聚體、活化部分凝血活酶時間比較，差異均有統(tǒng)計學(xué)意義（均 Plt;0.05 ）。見表1。

2.2特征篩選

以病人是否發(fā)生VTE為因變量，將單因素分析中有統(tǒng)計學(xué)意義（ ?Plt;0.05? 的自變量通過LASSO回歸進行篩選，見圖1、圖2。為使模型精簡，更適用于臨床，選擇lambda.1se作為模型的最優(yōu)值。最終篩選的變量包括制動時間、格拉斯哥昏迷評分、既往VTE史、近期手術(shù)史、感染、高脂血癥、使用血管收縮藥物、輸注血小板、使用機械通氣、機械通氣時間、D-二聚體、活化部分凝血活酶時間12項。

2.3各模型預(yù)測性能比較

在驗證集中對4種模型的預(yù)測能力進行評估，結(jié)果顯示，隨機森林的區(qū)分度（ AUC=0.803 最高，其次是極端梯度提升（ AUC=0.788 ），支持向量機的區(qū)分度（A .UC=0.748 最差。隨機森林的準確度、靈敏度和特異度均較高，提示其對樣本預(yù)測正確的比例和對陽性樣本的識別能力較優(yōu)，能更準確、靈敏地識別VTE高危病人。采用Brier分數(shù)評估模型校準度，值越低表示模型的校準度越好。隨機森林Brier分數(shù)最低，提示其校準度最好。各模型性能指標見表2。綜合比較發(fā)現(xiàn)，隨機森林預(yù)測效能最佳，其性能最優(yōu)時的參數(shù)設(shè)置為：n_estimators ，max_depth 1=18 min_samples_leaf ，min_samples_split =2 ，max_features ?3 ，與傳統(tǒng)Logistic回歸方法不同，隨機森林無法通過具體公式展現(xiàn)每種變量對預(yù)測結(jié)果的具體影響，因此需進一步對其進行SHAP分析使其決策過程可視化。

2.4基于SHAP算法的可解釋性分析

2.4.1全局樣本特征解釋分析

采用SHAP算法對隨機森林進行解釋分析，SHAP重要性排序見圖3，制動時間在老年重癥VTE發(fā)生風(fēng)險預(yù)測中起關(guān)鍵作用?；罨糠帜蠲笗r間是影響VTE發(fā)生的重要變量之一，隨后為D-二聚體和機械通氣時間。預(yù)測VTE發(fā)生的關(guān)鍵信息集中在權(quán)重排名前3位的預(yù)測因子中。為了進一步明確各特征相對于目標變量的正/負關(guān)系，生成隨機森林的SHAP摘要圖，見圖4。圖中每行代表1個特征，每個點代表1個樣本，橫坐標顯示了每個樣本的SHAP值，該值越大表示特征對于模型輸出的影響越大（正值代表正向影響，負值代表負向影響），點的顏色代表特征值高低（紅色代表特征值較高，藍色代表特征值較低）。結(jié)果顯示，制動時間、D-二聚體、機械通氣時間、近期手術(shù)史、既往VTE史等因素對預(yù)測結(jié)果存在不同程度的正向影響，而活化部分凝血活酶時間產(chǎn)生了負向影響。

2.4.2個性化特征歸因分析

在SHAP摘要圖的基礎(chǔ)上進一步輸出對模型影響前3位的臨床特征SHAP依賴圖，解釋預(yù)測變量對預(yù)測結(jié)果的具體影響。SHAP依賴圖的橫軸為該臨床特征的變化范圍，縱軸為臨床特征的SHAP值，SHAP值 gt;0 表示病人發(fā)生VTE的風(fēng)險增加。本研究根據(jù)SHAP依賴圖結(jié)果并結(jié)合臨床專家意見，對制動時間、D-二聚體和活化部分凝血活酶時間預(yù)警范圍進行界定，結(jié)果顯示，3項特征在達到特定閾值（制動時間 gt;10d ，活化部分凝血活酶時間 lt;34： s，D-二聚體 gt;2.8mg/L 時病人發(fā)生VTE的風(fēng)險增加，見圖 5～ 圖7。

2.4.3 單樣本預(yù)測特征解釋分析

單樣本解釋分析有利于明確單個樣本中各特征對于病人發(fā)生VTE的貢獻值、影響方向以及預(yù)測值，從而判定病人VTE的發(fā)生風(fēng)險，見圖8、圖9。真陽性病人預(yù)測過程結(jié)果顯示，影響病人VTE發(fā)生結(jié)果權(quán)重高的紅色特征為制動時間，藍色特征為活化部分凝血活酶時間。病人預(yù)測值為0.69[大于平均預(yù)測值（0.5）]，判定病人為高風(fēng)險，該預(yù)測結(jié)果與實際相符。

3討論

重癥病人是發(fā)生VTE的高危人群。近年來，隨著社會老齡化趨勢加強，ICU中老年病人比例呈增長趨勢[14]。受年齡增長、基礎(chǔ)疾病復(fù)雜等因素影響，老年重癥病人發(fā)生VTE的風(fēng)險更高，由VTE導(dǎo)致的傷殘率、死亡率以及醫(yī)療費用也較高。如能早期預(yù)測VTE發(fā)生情況并提前給予針對性的規(guī)范化預(yù)防措施，有利于降低傷殘率和死亡率，提高病人護理質(zhì)量。

近年來，學(xué)者們已開發(fā)了多種VTE評估量表及臨床預(yù)測模型[15-17]，但其非針對老年重癥病人。在技術(shù)層面，既往研究多采用傳統(tǒng)Logistic回歸分析建模，其普適性較強，但對于重癥病人VTE的預(yù)測針對性較弱，同時難以避免納入風(fēng)險因素有限、后續(xù)改進空間小等不足[18]。隨著互聯(lián)網(wǎng)以及大數(shù)據(jù)行業(yè)的快速發(fā)展，機器學(xué)習(xí)作為一種新的數(shù)據(jù)分析工具進入醫(yī)療行業(yè)，并在疾病診斷、醫(yī)藥圖像識別等領(lǐng)域應(yīng)用廣泛[19]。其在處理大樣本數(shù)據(jù)、復(fù)雜任務(wù)等方面具有獨特優(yōu)勢，已成為分析大量醫(yī)療健康數(shù)據(jù)、提高臨床決策能力的強大工具[20]。本研究利用機器學(xué)習(xí)算法開發(fā)了老年重癥病人VTE發(fā)生風(fēng)險預(yù)測模型，具有一定優(yōu)勢：1）本研究為多中心研究，收集了3所三級甲等綜合醫(yī)院909例病人的臨床資料，建立模型的數(shù)據(jù)相對充足，數(shù)據(jù)集具有一定的多樣性，有利于產(chǎn)生更穩(wěn)定、可靠的統(tǒng)計推斷結(jié)果，提高模型的預(yù)測精度、準確性和泛化能力，降低了研究機構(gòu)單一造成研究結(jié)果外推受限的局限性。2）老年重癥病人VTE的發(fā)生受多種因素影響，本研究納入了病人一般資料、既往史、合并疾病、特殊治療措施及實驗室檢查指標多方面指標，綜合探討了老年重癥病人潛在的VTE預(yù)測因子，涵蓋指標廣泛，使得模型可以更好地捕捉VTE發(fā)生的潛在風(fēng)險因素及交互作用，能更深入地挖掘數(shù)據(jù)背后的信息，增強模型對復(fù)雜現(xiàn)象的預(yù)測能力。此外，使用多個指標可以減少模型對單一特征和數(shù)據(jù)源的依賴，提高模型的魯棒性和穩(wěn)定性。

不同機器學(xué)習(xí)算法的學(xué)習(xí)方式和適用場景不同，因此，需要比較各種模型的預(yù)測性能，從而選擇最適合的模型。通過分析4種模型的綜合表現(xiàn)發(fā)現(xiàn)，隨機森林的AUC、靈敏度、準確度、特異度均較高，校準度較好，展現(xiàn)了出色的預(yù)測性能。從機器學(xué)習(xí)算法的特性分析，隨機森林是一種集成算法，其本質(zhì)是將若干個決策樹進行組合分析，能夠有效捕捉數(shù)據(jù)中的線性關(guān)系。老年重癥病人VTE的預(yù)測因素可能存在復(fù)雜的線性關(guān)系。其次，研究數(shù)據(jù)的規(guī)模可能影響模型的預(yù)測性能，隨機森林在處理多維度特征和大規(guī)模數(shù)據(jù)方面更適用[21]。

在機器學(xué)習(xí)模型中，“黑盒”特性會使模型內(nèi)部的決策過程缺乏可解釋性。為增強模型決策過程的透明度，本研究通過SHAP方法對隨機森林進行可視化分析，結(jié)果顯示，對模型輸出結(jié)果影響較大的前3位臨床變量分別為制動時間、活化部分凝血活酶時間和D-二聚體，可作為預(yù)測病人VTE發(fā)生的重要指標。既往研究表明，較長的制動時間是VTE發(fā)生的重要危險因素，尤其是對70歲以上的老年病人影響更為顯著[22-23]，與本研究結(jié)果相似。老年重癥病人病情嚴重，常處于臥床制動狀態(tài)，長時間制動可導(dǎo)致病人靜脈回流較少，血液淤滯，更易發(fā)生VTE。因此，對于無禁忌證的老年重癥病人，醫(yī)護人員可適當幫助其進行活動，改善肌力，減少VTE發(fā)生風(fēng)險?；罨糠帜蠲笗r間縮短提示內(nèi)源性凝血途徑的激活或某些凝血因子增加，血液呈高凝狀態(tài)[24]。李麗麗等[25]以120例住院病人為研究對象，發(fā)現(xiàn)活化部分凝血活酶時間對血栓有較高的診斷價值。本研究發(fā)現(xiàn)，當活化部分凝血活酶時間 lt; 34s時，老年重癥病人容易發(fā)生VTE。D-二聚體是纖溶酶溶解交聯(lián)纖維蛋白凝塊的特異性降解產(chǎn)物，常用于反映機體凝血-纖溶系統(tǒng)功能，是凝血相關(guān)的實驗室檢查項目之一[26]。老年重癥病人年齡較大、合并癥復(fù)雜，D-二聚體往往高于常規(guī)臨界值 （0.5mg/L [27]。本研究進一步發(fā)現(xiàn)，D-二聚體 gt;2.8mg/L 時老年重癥病人VTE發(fā)生風(fēng)險增高。提示醫(yī)護人員在臨床工作中應(yīng)該動態(tài)監(jiān)測老年重癥病人D-二聚體濃度和活化部分凝血活酶時間，未來需進一步探索更合理的范圍以提高D-二聚體和活化部分凝血活酶時間在老年重癥病人VTE診斷中的準確性。

本研究根據(jù)篩選出的12個重要預(yù)測因子，基于4種機器學(xué)習(xí)算法構(gòu)建了多個老年重癥病人VTE發(fā)生風(fēng)險預(yù)測模型。比較多個指標發(fā)現(xiàn)，隨機森林具有良好的區(qū)分度和校準度，預(yù)測結(jié)果較為可靠。醫(yī)護人員可利用該模型評估老年重癥病人的VTE發(fā)生風(fēng)險，加強對老年重癥病人VTE的風(fēng)險管理，實施精準干預(yù)，減少VTE帶來的不良后果，從而減輕病人經(jīng)濟負擔，改善病人預(yù)后。此外，基于SHAP算法對隨機森林進行解釋，增強了模型決策過程的透明度和可靠性，便于臨床醫(yī)護人員更好地理解模型預(yù)測過程，進行臨床決策。

4小結(jié)

本研究構(gòu)建的隨機森林預(yù)測性能較好，為早期評估老年重癥病人VTE發(fā)生風(fēng)險、指導(dǎo)預(yù)防性治療提供了理論基礎(chǔ)。本研究的不足之處在于回顧性研究設(shè)計結(jié)果可能存在一定偏倚；僅對模型進行內(nèi)部驗證，未來將進行前瞻性研究以檢驗?zāi)Ｐ偷呐R床適用性，并進一步優(yōu)化風(fēng)險預(yù)測模型。

參考文獻：

[1]DI NISIO M，VAN ESN，BULLERHR.Deepvein thrombosis

auu punoIaIy eImvunsILJJ.Lancet，zuiu，ooo（Ivvuo）：ovuv ovio.

[2]HEIT JA.Epidemiology of venous thromboembolism[J].Nature Reviews Cardiology，2015，12（8）：464-474.

[3]PALARETI G，POLI D.The prevention of venous thromboembolism recurrence in the elderly：a still open issue[J].Expert Review of Hematology，2018，11（11）：903-909.

[4]吳洲鵬，李鳳賀，戴貽權(quán)，等.老年人靜脈血栓栓塞癥防治中國專家 共識[J].中國普外基礎(chǔ)與臨床雜志，2023，30（10）：1173-1187.

[5]LEBLANC G，BOUMENDIL A，GUIDET B.Ten things to know about critically ill elderly patients[J].Intensive Care Medicine，2017， 43（2）：217-219.

[6]MITTEL A，HUA M.Supporting the geriatric critical care patient： decision making，understanding outcomes，and the role of palliative care[J].Anesthesiology Clinics，2019，37（3）：537-546.

[7]DARZI AJ，REPP AB，SPENCER F A，et al.Risk-assessment models for VTE and bleeding in hospitalized medical patients：an overview of systematic reviews[J].Blood Advances，2O2O，4（19）： 4929-4944.

[8]CAPRINI JA.Thrombosis risk assessment as a guide to quality patient care[J].Dis Mon，2005，51（2/3）：70-78.

[9]BARBAR S，NOVENTA F，ROSSETTO V，et al.A risk assessment model for the identification of hospitalized medical patients at risk for venous thromboembolism： the Padua Prediction Score[J].Journal of Thrombosis and Haemostasis，20lo，8（l1）：2450- 2457.

[10]SANCHEZ-PINTOLN，LUOY，CHURPEKMM.Big data and datascience in critical care[J].Chest，2018，154（5）：1239-1248.

[11]LUNDBERG S M，ERION G，CHEN H，et al.From local explanations to global understanding with explainable AI for trees [J].Nature Machine Intelligence，2O2O，2（1）：56-67.

[12]李曉強，張福先，王深明.深靜脈血栓形成的診斷和治療指南（第 三版）[J].中國血管外科雜志，2017，9（4）：250-257.

[13]中華醫(yī)學(xué)會呼吸病學(xué)分會肺栓塞與肺血管病學(xué)組，中國醫(yī)師協(xié)會 呼吸醫(yī)師分會肺栓塞與肺血管病工作委員會，全國肺栓塞與肺血 管病防治協(xié)作組.肺血栓栓塞癥診治與預(yù)防指南[J].中華醫(yī)學(xué)雜 志，2018，98（14）：1060-1087.

[14]LIU X L，HU P，YEUNG W，et al.Ilness severity assessment of older adults in critical illness using machine learning（ELDER-ICU）： aninternational multicentre study with subgroup bias evaluation[J]. TheLancet Digital Health，2023，5（1O）：e657-e667.

[15]NAFEE T，GIBSON C M，TRAVIS R，et al.Machine leaming to predict venous thrombosisin acutely ill medical patients[J]. Research and Practice in Thrombosis and Haemostasis，2020，4（2）： 230-237.

[16]WILLAN J，KATZ H，KEELING D.The use of artificial neural network analysis can improve the risk -stratification of patients presenting with suspected deep vein thrombosis[J].British Journal of Haematology，2019，185（2）：289-296.

[17]STEVENS H，PETERK，TRAN H，et al.Predicting the risk of recurrent venous thromboembolism： current challenges and future opportunities[J].Journal of Clinical Medicine，2O2o，9（5）：1582.

[18]朱坤，林宏遠，龔嘉淼，等.基于多種機器學(xué)習(xí)算法的老年瓣膜性 心臟病患者術(shù)后院內(nèi)死亡風(fēng)險因素分析[J].中國循環(huán)雜志，2024， 39（3）：249-255.

[19]LEVIN S，TOERPER M，HAMROCK E，et al.Machine-leaming-based electronic triage more accurately differentiates patients with respect to clinical outcomes compared with the emergency severity index [J].Annals of Emergency Medicine，2018，71（5）：565-574.

[20]馮心語，田凌云，羅慧，等.信息化技術(shù)應(yīng)用于靜脈血栓栓塞癥護 理的研究進展[J].護理學(xué)雜志，2022，37（16）：106-110.

[21]張妮瀟.肥厚型心肌病患者的臨床預(yù)后及其預(yù)測因素[D].北京： 北京協(xié)和醫(yī)學(xué)院，2021.

[22]MALATOA，DENTALIF，SIRAGUSA S，et al.The impact of deepvein thrombosisincriticallyill patients：a meta-analysis of major clinical outcomes[J].Blood Transfusion，2015，13（4）：559-568.

[23]GELDHOFV，VANDENBRIELE C，VERHAMMEP，etal. Venous thromboembolism in the elderly：efficacy and safety of non-VKA oralanticoagulants[J].Thrombosis Journal，2Ol4，12：21.

[24]WANG H J，ROSENDAAL F R，CUSHMAN M，et al.D-dimer， thrombin generation，and risk of a first venous thrombosis in the elderly[J].Research and Practice in Thrombosis and Haemostasis， 2021，5（5）：e12536.

[25]李麗麗，劉洋，屠海霞，等.D-二聚體聯(lián)合凝血四項指標對下肢深 靜脈血栓的診斷價值[J].血管與腔內(nèi)血管外科雜志，2022，8（7）： 856-860.

[26]XUKY，DE WIT K，GEERSING G，et al.A simplified decision rule to rule out deep vein thrombosis using clinical assessment and D-dimer[J].Journal of Thrombosis and Haemostasis，2O21，19（7）： 1752-1758.

[27]HAASE C，JOERGENSEN M，ELLERVIK C，et al.Age-and sex dependent reference intervals for D-dimer：evidence for a marked increase byage[J].ThrombosisResearch，2013，132（6）：676-680. （收稿日期：2024-04-16；修回日期：2025-04-27）