基于決策樹算法婦科盆腔術后靜脈血栓栓塞癥預防用藥持續時間預測模型的構建

洪曉波

靜脈血栓栓塞癥（VTE），是深靜脈血栓形成（DVT）和肺血栓栓塞癥（PTE）的總稱，是同一種疾病在不同階段、不同部位的兩種表現形式，具有高發病率、高病死率、高誤診率和高漏診率等特點［1］。90%的PTE繼發于DVT［2］，是常見的圍手術期并發癥，嚴重威脅患者生命安全。建立靜脈血栓預防管理模式可以更好地控制住院患者術后靜脈血栓的發生風險［3］。近年來，隨著婦科老年患者的增多及治療新技術的開展，增加了婦科手術的復雜性，術后VTE高危患者一旦證實已充分止血和出血風險低時，建議使用藥物預防和（或）物理預防［4-6］。筆者通過機器學習，構建用藥持續時間的預測模型，輔助優化臨床決策，以期為國內醫院院內靜脈血栓個體化防治提供參考。

1 資料與方法

1.1 臨床資料 選取2017年8月至2020年7月于本院行婦科盆腔手術的患者202例，年齡42～76歲，平均（55.82±7.34）歲。（1）納入標準：①Caprini評分≥5分；②臨床資料完整。（2）排除標準：①有出血性疾病或其他抗凝禁忌者；②術前應用抗凝治療者；③既往有VTE病史；④術前彩色多普勒檢查雙下肢DVT陽性；⑤懷孕或哺乳期婦女；⑥毒品或酒精濫用者、精神病及運動神經元病患者；⑦肝腎功能不全者。本研究經醫院醫學倫理委員會批準，所有患者均簽署知情同意書。

1.2 術后VTE預防措施 術后12 h給予低分子肝素鈣4100 IU，皮下注射；動態評估患者的血栓形成及出血風險，并及時調整預防措施。

1.3 觀察指標 （1）術前、術后患者的血漿纖維蛋白原（FIB）、凝血酶原時間（PT）、活化部分凝血活酶時間（APTT）、D二聚體等凝血功能指標水平。（2）DVT發生情況：術后嚴密觀察患者有無DVT的癥狀和體征，一經發現立即行雙側下肢靜脈彩色多普勒超聲檢查；術后7 d常規行下肢靜脈彩色多普勒超聲檢查，由同一組B超科醫生執行。DVT超聲診斷標準：靜脈管腔不能壓扁，管腔內實質性回聲，多普勒波形減弱或消失，擠壓腓腸肌時不能被壓扁的靜脈近端血流不增加，在不能被壓扁的靜脈及其遠側靜脈多普勒波形不受呼吸影響。（3）PTE發生情況：采用Wells評分標準評估。若PTE評分＞4分，立即檢測D-二聚體，行CT肺動脈造影檢查以明確診斷。（4）出院后隨訪：告知患者有關DVT及PTE的癥狀和體征，一經發現立即回報研究者，并盡快回院行超聲等檢查；術后1個月、3個月門診隨訪，復查雙側下肢靜脈彩色多普勒超聲、評估PTE的發生情況。

2 結果

2.1 隨訪情況 本研究202例患者均完成隨訪，均未發生PTE及DVT，均未發生出血性事件，未出現切口紅腫、黏膜出血、黑便等出血并發癥。

2.2 預測模型構建 （1）患者年齡及術前/后血漿纖維蛋白原（FIB）、凝血酶原時間（PT）、活化部分凝血活酶時間（APTT）、D-二聚體等凝血功能指標水平與用藥持續時間的相關性分析：以N表示樣本個數，Xj和Yj分別表示第j個樣本的凝血功能指標值和用藥持續時間值分別表示凝血功能指標均值和用藥持續時間值的平均值。用藥持續時間是由醫生主觀診斷決定，因此會引入一系列非線性因素，為盡可能避免非線性因素對相關性分析的影響，需要將用藥持續時間值Y采用五參數邏輯回歸方程進行非線性擬合，非線性擬合后的其中參數 d、d、d、123d4和d5通過訓練得到。然后，使用Pearson線性相關系數（PLCC）計算Yp與凝血功能指標之間的線性相關程度，，PLCC的絕對值越接近于1，說明該模型預測的線性相關性越高。相關性分析結果顯示，用藥持續時間與年齡、術前PT、術前D-二聚體、術后-PT、術后APTT、術后D-二聚體等6個指標的相關性較強。其中，術前PT與用藥持續時間呈負相關，術后PT與用藥持續時間呈正相關。見表1。（2）將相關性較強的6個指標提取出來作為特征，鑒于本研究的病例數較少，故采用機器學習算法中適合小樣本學習的bagged決策樹算法構建用藥持續時間預測模型。決策樹算法是一種非參數的決策算法，其根據樣本的多種特征進行多層次的分類和判斷，產生出一棵泛化能力強，即處理未見示例能力強的決策樹，用于決策所需要預測的結果。構建決策樹算法模型的202例樣本中，160例作為訓練樣本，42例作為測試樣本。

表1 患者年齡及術前/后凝血功能指標與用藥持續時間的相關性分析

2.3 模型性能分析 采用交叉驗證方法來驗證用藥持續時間預測模型的有效性。每一次驗證從202個樣本病例中隨機選擇160例構成訓練樣本集，余下42例構成測試樣本集，則共有次組合方法，從中隨機選取1000種組合方法。采用Pearson線性相關系數（PLCC）和均方根誤差（RMSE）來驗證預測模型的性能，PLCC的絕對值越接近1、RMSE值越接近0，則說明該預測模型的性能越好。bagged決策樹算法中的一個重要參數Min Leaf Size，可決定交叉驗證的誤差，交叉誤差越小則模型的性能越好。根據所采用的樣本數據，得到Min Leaf Size與交叉驗證誤差之間的折線圖，見圖1。據圖可見，當Min Leaf Size 9時，交叉誤差為最小值。

圖1 參數Min Leaf Size與交叉驗證誤差的關系

2.4 交叉驗證預測模型的性能指標 如表2所示，該結果說明所提出的給藥持續時間預測模型與診治醫生主觀判斷的誤差較小，預測的給藥次數與醫生診斷的給藥次數之間的平均差異小于2次。平均PLCC大于0.6，說明該模型的預測與人類醫生的診斷具有較高程度的相關性。

表2 預測模型的性能指標

3 討論

靜脈血栓栓塞癥（VTE）在全球的年發病率約為1～2人/1000人，其并發癥是繼心肌梗死和缺血性卒中之后的第三大血管性死亡原因，且給患者帶來極大的醫療費用負擔［7-8］。腫瘤患者是VTE 的高發人群，是普通患者發生VTE 的4～7倍［9］。癌癥伴有栓塞患者的1年存活率為12%，不伴有栓塞者的1年存活率為36%，已成為惡性腫瘤患者的第二大死因［10］。西方國家報道，40%婦科手術的術后猝死歸因于DVT繼發的PTE［11-12］。尤其是急性致命性PTE，一旦發生幾乎無搶救機會。PTE患者中約40.9%于7 d內死亡，約45.4%在30 d內死亡［13］。所有外科手術中VTE的發生率高達36.5%，其中癥狀性VTE僅占0.9%［14］，多數VTE患者由于不具有典型臨床表現而易被忽視。

Virchow在1856年首次描述靜脈血栓栓塞，并提出血栓形成基本因素即Virchow三聯征：①血流淤滯；②血管壁損傷；③血液高凝狀態。凝血系統以及疾病的復雜性使得VTE的問題復雜化。血栓取決于內皮、血小板、凝血因子、抗凝因子、纖溶因子的綜合平衡，取決于促栓和抗栓的平衡，最終是出血還是血栓平衡的結果。在婦科領域，年齡、惡性腫瘤、靜脈曲張、VTE病史、手術因素是術后導致VTE的獨立危險因素［4］。手術造成血液成分的改變，可激活發生VTE的三要素。婦科盆腔手術后發生VTE的風險取決于不同的危險因素，危險因素越多則發生VTE的風險就越大。婦科盆腔手術后VTE的預防措施包括物理預防和藥物預防。物理預防主要包括彈力襪、IPCD、足底靜脈泵等，利用機械原理促使下肢靜脈血流加速，減少血液滯留，進而降低術后DVT的發生率，是有高危出血風險患者的首選預防措施，還可與抗凝藥物聯合應用以提高療效。藥物預防主要包括低劑量普通肝素（LDUH）、低分子肝素（LMWH）、維生素K拮抗劑（VKA）、阿司匹林等，還需明確對患者個體化用藥治療。

機器學習算法是一種數據驅動的數學建模方法，能通過先驗數據自動學習和識別數據中的復雜結構，依據數據建立具有預測能力的數學模型。本研究基于機器學習算法中的決策樹算法構建預防給藥持續時間的決策樹預測模型，可減少臨床醫師經驗用藥的人為失誤，同時還解決了不同類型VTE高危患者個體化預防用藥的問題。未來的預測模型還將考慮更多的特征，例如在診療過程中記錄體重數據，將體重數據或糖尿病、高血壓等合并疾病等指標作為模型的訓練特征，使模型能更精準地模擬現實中的診斷過程，產生出更準確的預測用藥持續時間數據。