关键词:
创伤静脉
血栓栓塞症
机器学习
随机森林
摘要:
目的:筛选住院病历系统中可能与静脉血栓栓塞症相关的特征,与Caprini评分相结合,采用机器学习方法进行建模,在量表评估的基础上进一步提升VTE预测性能。方法:回顾了2019年9月至2020年3月在四川大学华西医院创伤医学中心住院的903例创伤患者,基于Lasso回归方法进行特征筛选后,结合随机森林算法构建VTE预测模型,并与单独使用Caprini评分的预测效果进行比较。结果:Caprini评分在预测静脉血栓栓塞事件上表现出了较好的区分度(TPR=0.667,FPR=0.227,AUC=0.773),最终构建的机器学习模型在Caprini评分的基础上,增加4个预测特征,可进一步提升预测效果(TPR=0.757,FPR=0.290,AUC=0.799)。结论:结合Caprini评分及生理生化特征的机器学习模型适用于对住院创伤患者的静脉血栓栓塞症风险预测。