基于机器学习的住院淋巴瘤化疗患者静脉血栓栓塞风险预警系统：多中心回顾性队列研究

这篇研究创新性地构建了机器学习驱动的静脉血栓栓塞(VTE)早期预警系统(VTE-EWS)，通过多中心1,141例淋巴瘤化疗患者数据，筛选出白细胞计数(WBC)、D-二聚体、中心静脉导管(CVC)使用等6项核心指标，开发可视化列线图工具。系统外部验证AUC达0.83，较传统Khorana评分(KS)显著提升识别效能，为临床提供实时风险分层工具。

　　

背景：

淋巴瘤患者化疗期间因长期卧床和治疗因素，静脉血栓栓塞(VTE)风险显著升高。现有Khorana评分(KS)对住院化疗患者适用性有限，亟需开发针对性预测工具。研究团队通过多中心合作，探索机器学习算法在VTE风险预警中的应用价值。

方法：

研究纳入2020-2024年重庆大学附属肿瘤医院等4家医疗中心的1,141例住院化疗淋巴瘤患者，按7:3比例划分训练集(799例)和外部验证集(342例)。基于12项临床变量（包括年龄、ECOG评分、化疗周期数等），采用逻辑回归、随机森林等6种算法构建模型，通过SHAP值和置换重要性分析筛选关键指标，最终开发可视化列线图和在线预测工具。

结果：

外部验证显示所有模型AUC介于0.78-0.84，其中XGBoost表现最优（准确率0.89，Brier评分0.14）。重要性分析确定WBC≥11×10⁹/L、D-二聚体>0.5 mg/L、CVC使用、年龄增长、化疗周期≥6次和ECOG≥2分为核心预测因子。构建的VTE-EWS在线工具（https://tingtingjiang.shinyapps.io/CQ_lymphoma_VTE_EWS/）将风险阈值设为0.7，较KS显著提高高风险患者识别率（65% vs 54%）和非VTE患者排除准确率（91% vs 77%）。

讨论：

研究突破性地整合机器学习与临床可视化需求，揭示化疗周期数与CVC使用等住院患者特有风险因素。机制上，肿瘤微环境通过白细胞介导的炎症反应（WBC升高）和组织因子激活促进凝血，而反复化疗和导管置入进一步损伤血管内皮。值得注意的是，D-二聚体作为纤溶标志物，其持续升高对VTE预测具有特殊价值。

局限性：

研究存在回顾性设计、地域局限性等不足，未来需通过前瞻性多中心研究进一步验证。

结论：

VTE-EWS系统首次实现住院淋巴瘤化疗患者的实时风险可视化评估，其采用的常规检测指标便于临床推广。建议在每次化疗入院前进行动态评估，对高风险患者（预测概率>0.7）实施针对性预防措施，有望显著改善患者预后。