目的分析椎体压缩骨折患者术前深静脉血栓形成(deep vein thrombosis,DVT)的危险因素,构建DVT诊断模型。方法选择2020年1月至2023年10月山东大学齐鲁医院(青岛)脊柱外科收治的骨质疏松性椎体压缩骨折患者作为研究对象,以入院确诊骨质疏...目的分析椎体压缩骨折患者术前深静脉血栓形成(deep vein thrombosis,DVT)的危险因素,构建DVT诊断模型。方法选择2020年1月至2023年10月山东大学齐鲁医院(青岛)脊柱外科收治的骨质疏松性椎体压缩骨折患者作为研究对象,以入院确诊骨质疏松性椎体压缩骨折为起点、出院为终点,进行巢式病例对照研究。采用极端梯度提升算法XGBoost对DVT诊断模型进行训练,采用准确率和受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评价模型性能。结果基于XGBoost训练DVT诊断模型,可视化前20个重要的特征,可以看出凝血酶原时间、甲状旁腺素这两个指标对于DVT的诊断较为重要。在测试集上评估模型,能够取得90.48%的诊断准确率,采用ROC曲线计算DVT诊断模型的AUC为0.9558,差异有统计学意义(P<0.05)。结论基于XGBoost训练的DVT诊断模型用于筛查术前高风险DVT患者有较好的性能及较好的泛化能力,通过对可引起椎体压缩骨折患者术前DVT的前20个危险因素的可视化,方便临床对DVT高危患者及时识别并给予相应的干预措施,避免延误手术。展开更多
文摘目的分析椎体压缩骨折患者术前深静脉血栓形成(deep vein thrombosis,DVT)的危险因素,构建DVT诊断模型。方法选择2020年1月至2023年10月山东大学齐鲁医院(青岛)脊柱外科收治的骨质疏松性椎体压缩骨折患者作为研究对象,以入院确诊骨质疏松性椎体压缩骨折为起点、出院为终点,进行巢式病例对照研究。采用极端梯度提升算法XGBoost对DVT诊断模型进行训练,采用准确率和受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评价模型性能。结果基于XGBoost训练DVT诊断模型,可视化前20个重要的特征,可以看出凝血酶原时间、甲状旁腺素这两个指标对于DVT的诊断较为重要。在测试集上评估模型,能够取得90.48%的诊断准确率,采用ROC曲线计算DVT诊断模型的AUC为0.9558,差异有统计学意义(P<0.05)。结论基于XGBoost训练的DVT诊断模型用于筛查术前高风险DVT患者有较好的性能及较好的泛化能力,通过对可引起椎体压缩骨折患者术前DVT的前20个危险因素的可视化,方便临床对DVT高危患者及时识别并给予相应的干预措施,避免延误手术。