临床麻醉学杂志

作者：李玉倩,王佳玲,巴特苏荣·巴一娜,李文哲,叶建荣

单位：830054乌鲁木齐市,新疆医科大学第一附属医院麻醉科,830054乌鲁木齐市,新疆医科大学第一附属医院麻醉科,830054乌鲁木齐市,新疆医科大学第一附属医院麻醉科,830054乌鲁木齐市,新疆医科大学第一附属医院重症医学科,830054乌鲁木齐市,新疆医科大学第一附属医院麻醉科

关键词：急性胰腺炎,静脉血栓栓塞,机器学习,预测模型,

基金：新疆维吾尔自治区自然科学基金青年项目（2025D01C426）；新疆医科大学校级自然科学青年研究项目（2024XYZR42）

目的： 基于机器学习构建急性胰腺炎（AP）患者静脉血栓栓塞（VTE）发生风险的预测模型。方法： 筛选MIMIC-Ⅳ（3.1版本）数据库中AP患者的临床资料，将符合条件的患者按照7∶3比例随机分为训练集和验证集，根据是否发生VTE将患者分为两组：非VTE组和VTE组。采用多因素Logistic回归筛选特征变量，基于Logistic回归、支持向量机（SVM）、梯度提升机（GBM）、自适应增强算法（AdaBoost）、随机森林（RF）、K最近邻算法（KNN）、神经网络及极限梯度提升（XGBoost）8种算法构建AP患者VTE发生风险的预测模型，以网格法进行参数调优并评估模型的预测效能。选择最优模型进行沙普利加性解释（SHAP）分析变量重要性。结果： 共纳入患者1 553例，其中有318例（20.5%）发生VTE。多因素Logistic回归分析筛选出9个关键特征变量：心率、收缩压、血红蛋白、血小板计数、白蛋白、血糖、活化部分凝血活酶时间（APTT）、是否接受抗凝治疗及是否使用机械通气。8种机器学习算法构建的预测模型中，XGBoost模型表现最佳，其训练集和验证集的AUC及95%可信区间（CI）分别为0.946（95%CI 0.931～0.961）和0.856（95%CI 0.825~0.887）。决策曲线及校准曲线等提示XGBoost模型的综合预测效能及稳定性优于其他算法。SHAP分析显示，血糖、APTT、血红蛋白及白蛋白为模型中的重要变量，具有良好的临床应用可解释性。结论： 基于机器学习构建的8种AP患者VTE发生风险的预测模型中，XGBoost模型表现出良好的预测效能和稳定性，有助于早期识别VTE高风险患者。

来源：2026年第04期

《临床麻醉学》期刊编辑部

查看临床麻醉学杂志2026年第04期