利用机器学习识别接受抗凝治疗患者的新发出血及残余血栓栓塞风险

《Journal of Thrombosis and Thrombolysis》：Machine learning to identify novel bleeding and residual thromboembolic risks in patients on anticoagulation

　　

摘要

在口服抗凝剂治疗过程中，如何平衡血栓栓塞预防与出血风险仍是一个重要挑战。CHA?DS?-VASc评分无法预测残余的血栓栓塞风险，而HAS-BLED评分对直接口服抗凝剂的预测能力也不够充分。尽管机器学习为风险评估提供了新的思路，但其临床应用往往受到三大难题的阻碍：由于栓塞和出血发生率较低导致的数据不平衡、药物代谢相关特征的缺失，以及在不同直接口服抗凝剂方案中的泛化能力有限。我们回顾性收集了2018年至2024年间苏州大学第一附属医院接受口服抗凝剂治疗的患者的临床数据。为解决数据不平衡问题，我们采用病例对照方式招募患者，并运用无界过采样策略。为寻找更有价值的预测因子，我们还将药物代谢相关特征作为潜在预测因子，以构建更可靠的模型。Shapley加性解释方法有助于从整体和局部角度理解预测结果，能够验证各预测因子的作用，提升模型在临床中的应用可靠性。研究中共纳入281例出现出血事件的患者、213例出现血栓栓塞事件的患者，以及978例作为阴性对照组。用于出血风险预测的完整数据集包含1,259名患者（正例与负例比例约为1:3.48），而用于血栓栓塞风险预测的数据集则包含1,191名患者（正例与负例比例约为1:4.59）。光梯度提升机在出血风险预测中的AUC值为0.880，优于HAS-BLED评分的AUC值0.730；用于血栓栓塞风险预测的逻辑回归模型的AUC值为0.792，也高于CHA?DS?-VASc评分的AUC值0.628。决策曲线分析进一步表明，这些模型在合理的阈值范围内能带来显著的临床净收益。SHAP分析指出，肺动脉压、左心房容积指数、血小板计数以及左心耳容积是血栓栓塞风险的关键预测因子，而估算的肾小球滤过率、体重指数和直接胆红素则是出血风险的关键预测因子，这些结果与临床预期一致。通过整合多种临床指标、优先收集阳性病例数据，并采用新的数据增强方法，我们发现了包括肺动脉压、左心房容积指数、血小板计数、左心耳容积、估算的肾小球滤过率以及体重指数在内的多个新预测因子。与传统风险评分相比，这些新模型具有更强的预测性能，能为个性化临床决策提供有力的证据支持。

图形摘要

此图片的替代文本可能是由人工智能生成的。