基于机器学习的PICC相关性上肢深静脉血栓形成预测

孙玉萍,宋 岗,张建美，宋云萍

胶州市人民医院,山东266300

经外周静脉穿刺中心静脉置管(peripherally inserted central catheter，PICC)是一种从外周静脉导入且末端位于中心静脉的深静脉置管技术，广泛应用于恶性肿瘤、胃肠外静脉营养等病人，有留置时间长、费用低、可减少反复穿刺等优点[1]。但相关并发症也时有发生，如相关性上肢静脉血栓形成(upper extremity deep vein thrombosis,UEDVT)，据最近的一项临床研究显示，PICC相关的UEDVT的发生率约为2%[2]，增加了病人的死亡率[3-5]。目前，国际常用的血栓形成风险评估工具包括：①Autar深静脉血栓风险评估表，主要用于手术骨创伤病人的深静脉血栓风险评估[6]；②Caprini风险评估模型，广泛用于所有住院病人深静脉血栓的评估[7]；③Wells量表大多用于门诊病人深静脉血栓的筛查[8]；④密歇根PICC-DVT风险评估量表[9]。但这些量表只笼统地评估深静脉血栓形成风险，而特异性地评估UEDVT的工具，应用较为广泛的有Seeley量表，Seeley量表最初是由美国拉什大学医学中心的Seeley教授建立，是UEDVT的风险评估工具。该评分系统共涵盖5个条目并有相应的赋值，分别是长期卧床14分、深静脉局部压痛13分、吸烟10分、因骨髓炎而置管20分以及居家或住院期间抗凝9分，总分66分，若总分≥20分则意味着病人住院期间容易发生UEDVT，总分<20分则相反，该评估工具阴性预测值98.9%，阳性预测值27.3%，阳性预测值偏低[7]。该量表未在大样本人群中验证，尚缺乏普适性和针对性[8]。因此，构建新型工具评估PICC相关UEDVT，有助于提升PICC相关UEDVT预测的准确性。

机器学习(ML)是人工智能的一种，是数据统计与计算机科学的结合，通常包括训练集和测试集，训练集用来学习的样本集，通过匹配一些参数来建立一个分类器，对所输入的信息进行学习。测试集是为了测试已经训练好的模型的样本集，可以找出输入信息的特征与输出信息之间的关联。……