极限梯度提升算法风险预测模型在全膝关节置换术后深静脉血栓中的预测性能

刘佳丽，冯自波，谢燕妮，黄 松

1华中科技大学同济医学院附属梨园医院骨科，湖北 武汉 430000

2华中科技大学同济医学院附属梨园医院血管外科，湖北 武汉 430000

全膝关节置换术（total knee replacement，TKR）是治疗终末期膝骨关节炎的有效方法，可以缓解患者的疼痛，促进膝关节功能恢复[1]。深静脉血栓（deep vein thrombosis，DVT）是四肢骨折围手术期的常见并发症之一，可导致肺栓塞和血栓后综合征，其中肺栓塞导致的猝死率高达34%，严重影响患者的预后和生活质量[2]。DVT是一种由深静脉血液凝固引起的静脉回流疾病，一般表现为血流缓慢、血液高凝状态、静脉壁损伤[3]。研究表明，TKR术后患者的DVT发病率为69.9%[4]。因此，DVT的早期诊断和治疗极其重要。近年来，由于极限梯度提升（extreme gradient boosting，XGBoost）算法模型具有较高的灵敏度和准确度，并且可以高效解决分类问题，同时由于其输入数据要求较低，能够进行变量的自动选择和降低计算的复杂性，已被广泛地用于统计、数据挖掘和机器学习等[5]。在医学领域，XGBoost算法模型可以利用历史案例中的数据为患者的病情进行分类和预测[6]，并且其临床数据和特定算法直接预测术后指标也为医师制定治疗方案提供了合理有效的判断，在一定程度上为后续的医疗工作做出了进一步的指导。近年来，研究报道了DVT形成的相关高危因素，但很少有关于XGBoost算法模型预测TKR术后DVT形成的研究[7-8]。因此，本研究基于XGBoost算法构建TKR术后患者DVT的预测模型，旨在探讨其危险因素，以期为TKR术后DVT的早期干预提供理论指导，现报道如下。

1 资料与方法

1.1 一般资料

收集2020年1月至2021年12月华中科技大学同济医学院附属梨园医院收治的TKR患者的临床资料。纳入标准：年龄小于80岁；第1次接受单侧TKR手术；出院时病情稳定；无术后并发症[9-10]。排除标准：伴严重心血管疾病、脑血管疾病和恶性肿瘤；伴精神障碍无法正常配合；髋关节和踝关节畸形影响膝关节功能；既往有TKR或同时进行双侧TKR[10-11]。根据纳入与排除标准，最终纳入100例TKR患者。根据术后双下肢超声检查结果将训练组患者分为DVT组（n＝50）和非DVT组（n＝50）。

1.2 XGBoost算法模型

XGBoost算法是一种优化的分布式梯度计算集成算法，来源于梯度提升迭代决策树算法[12]。基于梯度提升迭代决策树算法，提出了一种二阶泰勒函数对数据进行分类，具体的医学计算方法：对于包含n条m维的数据集D＝{（xi，yi）}（xi∈Rm，yi∈R，i＝1，2，...n），XGBoost模型可表示为

XGBoost模型的目标函数可分为误差函数项L和模型复杂度函数项Ω，Obj＝L+Ω，在XGBoost算法中，为快速寻找到使目标函数最小化的参数，对目标函数进行二阶泰勒展开，得到近似目标函数。Obj是可作为评价模型的打分函数，Obj值越小则模型效果越好。

1.3 TKR术后处理方法

TKR术后定期进行血栓栓塞风险评估，无禁忌证的患者皮下注射低分子肝素钠，每天0.4 ml，同时，对患者进行足底静脉泵操作，每次20 min，每天2次。TKR术后1 d，采集所有患者清晨空腹外周静脉血的血样，并监测D-二聚体、血常规和凝血功能。术后3~5 d进行下肢静脉超声检查，对于DVT患者给予低分子肝素钙0.4 ml，每天2次，并停止足底静脉泵和抗凝剂12 h。

1.4 观察指标及判定标准

收集所有患者的临床资料，包括年龄、性别、既往病史（高血压、冠心病）、损伤严重程度评分（injury severity score，ISS）、从受伤到手术时间、手术时间，术中输血量、术中失血量、术后1天血红蛋白、D-二聚体水平、住院时间。其中，ISS＜16分为轻度损失，16~25分为中度损伤，ISS＞25分为重度损伤[13]。根据美国麻醉医师协会（American Society of Anesthesiologists，ASA）分级将患者病情分为5级：Ⅰ级，健康；Ⅱ级，患有全身性疾病，但具有良好的代偿功能；Ⅲ级，严重的全身性疾病，且日常功能被限制；Ⅳ级，代偿功能不全，日常功能丧失；Ⅴ级，病情严重，有生命危险[14]。

下肢深静脉内径沿着手术部位自下而上观察四肢，若出现以下现象则诊断为DVT形成：栓塞部位下方的管腔扩大且静脉腔不能关闭；在内腔中有一个坚实的回声且强度不等；脉搏和彩色多普勒超声示少量或无血流信号。

1.5 统计学方法

应用SPSS 20.0软件对数据进行统计分析，符合正态分布且方差齐性的计量资料以（）表示，组间比较采用两独立样本t检验；计数资料以n（%）表示，组间比较采用χ2检验；采用受试者工作特征（receiver operating characteristic，ROC）曲线进行诊断价值分析，计算ROC曲线下面积（area under the curve，AUC）。P＜0.05为差异有统计学意义。

2 结果

2.1 预测模型流程图

根据XGBoost算法构建的TKR术后DVT患者预测模型流程图见图1。

图1 基于XGBoost算法构建的TKR术后DVT患者预测模型流程图

2.2 临床特征的比较

两组患者糖尿病和高脂血症、ASA分级、ISS、手术时间、术中输血量、术中失血量和住院时间比较，差异均无统计学意义（P＞0.05）。两组患者性别、年龄、受伤至手术时间、血红蛋白、冠心病、合并多发伤比较，差异均有统计学意义（P＜0.05）。（表1）

表1 术后1 d两组患者临床特征比较

2.3 XGBoost算法模型TKR术后DVT患者临床特征评分

将中的数据集成到XGBoost算法模型中，前5名特征评分依次为合并多发伤（35分）、从受伤到手术的时间（28分）、年龄（24分）、合并冠心病（21分）、术后1天D-二聚体（16分）。（图2）

图2 XGBoost算法模型中TKR术后DVT形成患者的重要特征评分

2.4 XGBoost算法模型的校准度

训练组中XGBoost算法模型的AUC为0.832，95%CI：0.748~0.916。（图3）

图3 基于XGBoost算法TKR术后DVT患者的ROC曲线

3 讨论

随着人口结构的老龄化，TKR患者日益增多[15]。DVT是骨科手术后常见的并发症。研究结果显示，术后DVT的发生率为57%~62%，而DVT的病死率为0.5%~44.0%[16]。Jethwa等[17]研究结果显示，诊断为血液高凝状态的患者术后DVT的发生风险较高。Prandoni等[18]发现88例TKR术后患者DVT发生率为62.5%。上述结果均与本研究结果相似。TKR患者高发DVT原因可能是TKR术后对组织和血管壁造成了较大损伤，导致了更多的出血，此外，术后疼痛的患者经常卧床休息，这也进一步加剧了血液瘀滞，增加DVT的发生风险。因此，TKR术后患者必须高度重视，加强对DVT的筛查，预防血栓形成。

研究发现，TKR术后发生DVT是一种预后不良反应，也是死亡的重要影响因素[19]。然而，对于导致DVT的风险因素仍然没有定论。相关研究通过对髋部骨折患者的分析，发现术后发生DVT患者的平均住院时间为9.45 d，而无DVT患者的住院时间平均为1.06 d[20]。本研究结果显示，从受伤到手术时间是DVT形成的独立危险因素，与之前的研究类似[21]。这可能是由于长期制动、牵引或疼痛，导致长时间卧床，在一定程度上造成了肌肉萎缩，从而进一步造成了DVT的高凝状态。因此，患者应该在受伤后尽快送入医院，并且在条件允许的情况下尽快进行外科手术，以降低发生DVT的风险。除此之外，60岁以上的患者由于身体机能下降，很容易对血管内膜造成损伤，使得血管弹性和血液循环功能下降，从而在一定程度上增加了DVT的发生风险。本研究也发现年龄是DVT的一个重要危险因素，与Gwozdz等[22]研究结果相一致。研究结果显示，年龄超过60岁是DVT的独立危险因素，并且其在骨折术后患者中的发病率更高[23]。但也有学者认为，DVT的发病率与年龄无关，可能是由于在患者受伤后及时进行DVT的筛查，并积极进行了相关治疗[24]。除此之外，本研究还发现冠心病也是TKR术后发生DVT的一个独立危险因素，与既往研究结果一致[25]。原因可能是冠心病患者的冠状动脉粥样硬化造成了血管内皮的损伤，在一定程度上促进了血小板的黏附和聚集，导致凝固的过程加速，从而增加了术后发生DVT的风险。D-二聚体可较好地反映患者的凝血状态，是血栓形成的一个非特异性的指标，目前，其已在临床血栓疾病的诊断和预后中广泛应用。本研究结果显示，D-二聚体是TKR术后发生DVT的独立危险因素，与既往研究结果相一致[26]。

马倩倩等[27]基于XGBoost框架建立了一个成年人群肿瘤模型，以实现对肿瘤患病风险更精确的预测。另外，在预测Stanford B型急性主动脉夹层患者术后的生存价值时，张思源等[28]证明了XGBoost模型预测效能显著强于Logistic回归模型。本研究所建立的XGBoost算法模型对预测TKR术后DVT患者具有较高的灵敏度和特异度，同时，评估效果也较为明显，不同的模型算法各有其优势和缺点，未来将尝试使用新的算法对疾病的预后进行评估。本研究的不足之处：属于一项小型的单中心回顾性研究，具有一定局限性，需要在大型前瞻性多中心样本研究中做进一步验证；其次，由于样本数量不够，在分析TKR术后发生DVT的影响因素时，并没有分层对这些因素进行分析；此外，虽然XGBoost算法模型在处理高维变量复杂的相互作用以及变量和非线性关系中的预测有着较高的有效性，但同时也会受到变量的性质、数量、类型以及样本量大小的影响。

综上所述，基于XGBoost算法的模型可以预测TKR术后患者发生DVT的风险情况。TKR的合并多发伤、从受伤到手术时间、年龄、冠心病、术后1天D-二聚体水平可作为TKR后DVT的预测指标，并且其预测性能良好。