《Frontiers in Neurology》：Risk factors for lower limb deep vein thrombosis in patients with intracerebral hemorrhage: a retrospective study using LASSO regression to develop a nomogram
编辑推荐：
目的：探讨脑出血(intracerebral hemorrhage, ICH)患者临床疑似下肢深深静脉血栓(deep vein thrombosis, DVT)的影响因素，并基于Lasso回归建立列线图(Nomogram)临床预测模型。方法：回顾性纳入2023
目的：探讨脑出血(intracerebral hemorrhage, ICH)患者临床疑似下肢深深静脉血栓(deep vein thrombosis, DVT)的影响因素，并基于Lasso回归建立列线图(Nomogram)临床预测模型。方法：回顾性纳入2023年1月至2025年7月于研究人员所在医院诊治的297例脑出血患者，按7∶3随机分为训练组(n＝208)与验证组(n＝89)。训练组依据住院期间是否发生下肢DVT进一步分为非DVT组(n＝156)与DVT组(n＝52)。应用Lasso回归分析及多因素logistic回归分析筛选脑出血患者临床疑似下肢DVT的影响因素，据此构建列线图。绘制校准曲线(calibration curve)、受试者工作特征(receiver operating characteristic, ROC)曲线及临床决策曲线分析(decision curve analysis, DCA)曲线评估模型的校准度、区分度及临床实用性。结果：训练组与验证组基线资料无统计学差异(p＞0.05)。Lasso及logistic回归分析显示，年龄(OR：1.206)、白蛋白(albumin, OR：0.747)、D?二聚体(D?dimer, OR：1.992)及甘油三酯葡萄糖乘积指数(triglyceride?glucose index, TyG index; OR：2.061)是脑出血患者临床疑似下肢DVT的影响因素(p＜0.05)。训练组与验证组校准曲线Hosmer?Lemeshow χ2分别为6.482(p＝0.627)和7.935(p＝0.492)＞0.05，模型校准良好。ROC曲线显示训练组AUC为0.891(95％CI：0.845～0.937)，验证组AUC为0.848(95％CI：0.791～0.905)，模型区分度良好。DCA曲线显示模型在高危阈值概率0.07～0.89及0.09～0.69范围内提供有利的净临床获益。结论：基于本研究影响因素构建的列线图预测模型具有一定预测效能，可辅助临床医师评估脑出血患者发生临床疑似下肢DVT的风险，但在完成外部验证前应视为初步结果。
《Frontiers in Neurology》刊载论文解读：脑出血患者下肢深静脉血栓危险因素分析及列线图预测模型的建立与验证
一、研究背景与立题依据
下肢深静脉血栓（deep vein thrombosis, DVT）是脑出血（intracerebral hemorrhage, ICH）患者常见且严重的并发症，预防性抗凝是降低其发生率的有效策略。然而，因担心抗凝增加脑出血再出血风险，ICH重症患者的抗凝常被延迟或搁置，带来重大临床挑战。早期识别DVT高危人群至关重要。目前常用的静脉血栓栓塞症（venous thromboembolism, VTE）风险评估工具如Padua评分、卒中相关VTE风险评分、Caprini评分及Wells评分多用于混合人群，在单纯ICH患者中未得到明确验证，且上述评分系统主要为静态模型，未能反映ICH患者DVT风险的动态变化。因此，研究人员开展此项回顾性研究，旨在进一步明确ICH后临床疑似下肢DVT发生的不同临床危险因素的早期预警作用，并初步建立基于LASSO（Least Absolute Shrinkage and Selection Operator）回归的列线图（Nomogram）临床预测模型，以指导ICH后的抗凝治疗决策。
二、主要技术方法概述
研究人员回顾性纳入2023年1月至2025年7月某单中心收治的297例自发性ICH患者，排除数据缺失及不符合标准者。全体队列按7:3比例随机分为训练组（n=208）与独立验证组（n=89）；训练组再根据住院期间超声确诊的临床疑似下肢DVT发生情况分为非DVT组（n=156）与DVT组（n=52）。收集人口学、入院体征、影像学、实验室指标［含白蛋白（albumin）、D?二聚体（D?dimer）及甘油三酯葡萄糖乘积指数（triglyceride?glucose index, TyG index = ln[空腹甘油三酯(mg/dL)×空腹血糖(mg/dL)]/2］等数据。单因素分析中p＜0.05的变量进入LASSO回归筛选特征变量，再将LASSO选出的非零系数变量纳入多因素logistic回归确定独立预测因子并构建预测模型。使用R软件rms包绘制列线图，采用Bootstrap法内部验证，通过校准曲线（Calibration Curve）、受试者工作特征曲线（ROC Curve，计算曲线下面积AUC）及决策曲线分析（decision curve analysis, DCA）分别评价模型校准度、区分度及临床净获益。
三、研究结果
3.1 训练组与验证组基线资料比较
两组间年龄、性别、吸烟、饮酒、体质指数（body mass index, BMI）、既往史、血压、出血部位、中线移位、美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分、格拉斯哥昏迷量表（Glasgow Coma Scale, GCS）评分、低分子肝素预防性使用情况、手术方式、手术时长、出血量及各实验室指标（含白蛋白、D?dimer、TyG指数等）均无统计学差异（p＞0.05），证实分组均衡，具可比性。
3.2 训练组内临床疑似下肢DVT发生的单因素分析
DVT组较非DVT组年龄更大，出血量更大，D?dimer、C反应蛋白（C?reactive protein, CRP）、TyG指数更高，高血压比例更高，NIHSS评分＞15及GCS评分＜12的比例更高，而白蛋白水平更低（p＜0.05）；性别、吸烟、饮酒、BMI、糖尿病、冠心病、血压、出血部位、中线移位、预防性肝素使用、手术方式、手术时长及血常规各指标差异无统计学意义（p＞0.05）。
3.3 基于Lasso回归分析的变量筛选
十折交叉验证确定最优λ值（取最小偏差对应λ.min），最终模型中具非零系数的变量为：年龄、白蛋白、D?二聚体及TyG指数，其余变量系数被压缩为零予以剔除。
3.4 基于多因素Logistic回归分析的变量筛选
将Lasso选入的四项连续变量作为自变量进行多因素logistic回归（因变量：DVT=1，非DVT=0），结果显示：年龄（β=0.187，OR=1.206，95%CI：1.111～1.308）、白蛋白（β=-0.292，OR=0.747，95%CI：0.667～0.836）、D?二聚体（β=3.465，OR=1.992，95%CI：1.066～2.715）及TyG指数（β=2.087，OR=2.061，95%CI：1.059～2.241）均为脑出血患者临床疑似下肢DVT发生的独立影响因素（均p＜0.05），各变量方差膨胀因子（variance inflation factor, VIF）＜10，无多重共线性。
3.5 脑出血患者临床疑似下肢DVT发生列线图预测模型的构建
依据多因素logistic回归β系数建立回归方程：Logit(P)＝－24.132＋0.187×年龄－0.292×白蛋白＋3.465×D?二聚体＋2.087×TyG指数。使用R软件rms包将其可视化为列线图，通过对各变量对应得分求和再映射得到DVT发生概率。
3.6 列线图预测模型的验证
训练组与验证组校准曲线Hosmer?Lemeshow检验χ2分别为6.482（p=0.627）和7.935（p=0.492），均＞0.05，预测概率与观测概率无显著差异，模型校准度良好。训练组ROC的AUC为0.891（95%CI：0.845～0.937），验证组AUC为0.848（95%CI：0.791～0.905），模型区分度良好。DCA曲线显示训练组在阈值概率0.07～0.89、验证组在0.09～0.69范围内，模型较"全部干预"与"全部不干预"方案提供更大净临床获益。
四、讨论与结论总结
讨论部分指出本研究ICH患者住院DVT发生率为25.00%，与文献报道20％～40％相符。增龄使凝血因子活性增高、纤溶活性降低且静脉弹性减退致血流淤滞，DVT风险升高（OR=1.206/岁）；低白蛋白通过降低胶体渗透压、增血黏度、破坏内皮完整性促血栓（OR=0.747，为保护因素）；D?二聚体升高提示凝血激活及纤维蛋白聚集（OR=1.992）；TyG指数升高反映胰岛素抵抗致血管内皮损伤及高凝（OR=2.061）。本研究首次在同一模型中联合代谢（TyG指数）、凝血/纤溶（D?二聚体）及营养/炎症（白蛋白）多维因素，获得优于传统Caprini等通用评分的AUC。局限性包括单中心回顾性设计、样本量有限、DVT靠临床疑似触发超声而非全员序贯筛查可能引入检出偏倚（验证偏倚）、未纳入脑叶出血及缺乏外部验证。作者建议未来行前瞻性多中心外部验证并扩大出血亚型。
结论（翻译）： 年龄、白蛋白、D?二聚体及TyG指数是脑出血患者下肢DVT的有效预测因子。本研究构建的列线图模型在预测临床疑似下肢DVT发生风险方面具有一定区分度（训练集AUC=0.891，验证集AUC=0.848）、校准度及净临床获益，经外部验证后有望协助医护人员早期识别高危患者、支持分层管理及针对性干预以降低DVT发生。在完成外部验证前，本研究结果应视为初步结论。
