编辑推荐：
阿司匹林常用于多种疾病防治，但低 BMI 患者使用时出血风险增加。温州医科大学附属东阳医院研究人员开发了低 BMI 阿司匹林使用者出血风险预测工具。该工具含 6 个变量，模型 AUC 良好，能分层评估风险，为临床决策提供依据。
在医学领域，阿司匹林作为常用的抗血小板药物，广泛应用于各类疾病的预防和治疗。然而，如同硬币有两面，它在发挥积极作用的同时，也带来了出血风险增加的问题，尤其是对于低体重指数（BMI，Body Mass Index）的患者。过往研究表明，低 BMI 人群在使用阿司匹林时，出血风险显著上升，这就如同在治疗的道路上埋下了一颗颗 “定时炸弹”，随时可能引发危险。
目前，虽然已有多种出血风险评分系统，但这些系统在预测低 BMI 阿司匹林使用者的出血风险时，表现并不理想，无法精准地为临床医生提供决策依据。这就好比在黑暗中摸索，医生们缺乏一个可靠的 “导航仪” 来指引治疗方向。为了解决这一临床难题，温州医科大学附属东阳医院的研究人员开展了一项旨在开发和验证低 BMI 阿司匹林使用者出血风险预测工具的研究。
研究人员从温州医科大学附属东阳医院招募了 2436 名低 BMI 且使用阿司匹林的患者。他们收集了患者的人口统计学信息、临床特征、合并症、病史以及实验室检查等多方面的数据。随后，运用 Least Absolute Shrinkage and Selection Operator（LASSO）回归和 Boruta 分析等方法，筛选出与出血相关的重要特征，并通过多变量逻辑回归分析构建了预测模型，还将其转化为直观的列线图（nomogram）。
在模型构建方面，LASSO 分析筛选出 2 个临床特征，Boruta 分析识别出 9 个临床特征。经过多变量逻辑回归分析，最终确定了由血红蛋白（HGB）、血小板计数（PLT）、既往出血史、肿瘤、吸烟和糖尿病 6 个变量组成的 Boruta 模型，该模型在训练集和测试集中均展现出良好的性能。
研究结果显示，模型在训练数据集的 AUC（曲线下面积，衡量模型区分能力的指标）达到 0.832（95% CI：0.788 - 0.875），在测试数据集的 AUC 为 0.775（95% CI：0.698 - 0.853），表明其具有出色的区分能力，能够有效地区分出血和未出血的患者。校准曲线分析表明模型预测的出血概率与实际观察结果高度吻合，就像一把精准的尺子，能够准确衡量出血风险。此外，决策曲线分析（DCA）、临床影响曲线（CIC）和净减少曲线（NRC）等评估结果均显示该模型具有良好的临床净效益。
在研究过程中，主要关键技术方法包括：数据收集自温州医科大学附属东阳医院的患者电子病历；利用 LASSO 回归和 Boruta 分析筛选与出血相关的重要特征；采用多变量逻辑回归构建预测模型；通过计算 AUC、绘制校准曲线、进行 DCA、CIC 和 NRC 分析等方法评估模型性能。
研究结论表明，成功开发并验证了一种针对低 BMI 阿司匹林使用者的出血风险预测工具。该工具整合了 6 个重要指标，通过列线图的形式，能够直观地帮助临床医生评估患者的出血风险，进而做出更合理的治疗决策。例如，根据患者的各项指标计算出总得分，即可对应得出出血概率，为医生调整治疗方案提供有力依据。
讨论部分指出，该模型虽然取得了良好的效果，但也存在一定的局限性。研究采用回顾性设计，无法确定因果关系，需要前瞻性研究进一步验证；部分变量存在缺失数据，尽管采取了处理措施，但仍可能存在偏倚；而且研究仅针对低 BMI 患者，其结果能否推广到其他人群还需进一步研究。不过，这一研究成果为低 BMI 阿司匹林使用者出血风险的评估提供了新的思路和方法，在临床实践中具有重要的指导意义，为后续更深入的研究奠定了坚实的基础，有望在未来进一步完善出血风险评估体系，更好地保障患者的健康。
