极限梯度提升算法风险预测模型在全膝关节置换术后深静脉血栓中的预测性能
二聚体,1资料与方法,1一般资料,2XGBoost算法模型,3TKR术后处理方法,4观察指标及判定标准,5统计学方法,2结果,1预测模型流程图,2临床特征的比较,3XGBoost算法模型TK
刘佳丽,冯自波,谢燕妮,黄 松1华中科技大学同济医学院附属梨园医院骨科,湖北 武汉 430000
2华中科技大学同济医学院附属梨园医院血管外科,湖北 武汉 430000
全膝关节置换术(total knee replacement,TKR)是治疗终末期膝骨关节炎的有效方法,可以缓解患者的疼痛,促进膝关节功能恢复[1]。深静脉血栓(deep vein thrombosis,DVT)是四肢骨折围手术期的常见并发症之一,可导致肺栓塞和血栓后综合征,其中肺栓塞导致的猝死率高达34%,严重影响患者的预后和生活质量[2]。DVT是一种由深静脉血液凝固引起的静脉回流疾病,一般表现为血流缓慢、血液高凝状态、静脉壁损伤[3]。研究表明,TKR术后患者的DVT发病率为69.9%[4]。因此,DVT的早期诊断和治疗极其重要。近年来,由于极限梯度提升(extreme gradient boosting,XGBoost)算法模型具有较高的灵敏度和准确度,并且可以高效解决分类问题,同时由于其输入数据要求较低,能够进行变量的自动选择和降低计算的复杂性,已被广泛地用于统计、数据挖掘和机器学习等[5]。在医学领域,XGBoost算法模型可以利用历史案例中的数据为患者的病情进行分类和预测[6],并且其临床数据和特定算法直接预测术后指标也为医师制定治疗方案提供了合理有效的判断,在一定程度上为后续的医疗工作做出了进一步的指导。近年来,研究报道了DVT形成的相关高危因素,但很少有关于XGBoost算法模型预测TKR术后DVT形成的研究[7-8]。因此,本研究基于XGBoost算法构建TKR术后患者DVT的预测模型,旨在探讨其危险因素,以期为TKR术后DVT的早期干预提供理论指导,现报道如下。
1 资料与方法
1.1 一般资料
收集2020年1月至2021年12月华中科技大学同济医学院附属梨园医院收治的TKR患者的临床资料。纳入标准:年龄小于80岁;第1次接受单侧TKR手术;出院时病情稳定;无术后并发症[9-10] ......
您现在查看是摘要页,全文长 7914 字符。