Model predykcyjny zakrzepicy związanej z cewnikiem PICC u pacjentów z sepsą z użyciem algorytmu XGBoost

Dlaczego to ma znaczenie dla pacjentów i rodzin

Wiele osób z zagrażającymi życiu infekcjami, takimi jak sepsa, korzysta z długich, elastycznych rur wkłuwanych do żył, by otrzymywać leki i odżywianie. Te wkłucia, zwane liniami PICC, są niezbędne, ale czasem mogą wywołać niebezpieczne skrzepy krwi. Badanie pokazuje, jak lekarze zastosowali nowoczesną technikę komputerową, by przewidzieć, u których pacjentów z sepsą najprawdopodobniej wystąpią skrzepy wokół takich linii, z celem zapobiegania powikłaniom zanim się pojawią.

Cewniki, które pomagają, ale czasem szkodzą

Gdy pacjenci mają sepsę, często potrzebują tygodni dożylnych antybiotyków, płynów i żywienia. Centralne cewniki zakładane przez żyłę obwodową, czyli PICC, są prowadzone z żyły w ramieniu w kierunku serca, by to umożliwić. Choć wygodne, linie PICC mogą też zaburzać przepływ krwi i podrażniać ścianę naczynia, sprzyjając tworzeniu skrzepów. Takie skrzepy mogą zablokować żyły, przedłużyć pobyt na oddziale intensywnej terapii, a w ciężkich przypadkach oderwać się i przemienić w zatory płucne. Do tej pory trudno było klinicystom wcześniej określić, którzy pacjenci są najbardziej narażeni, ponieważ jednocześnie działa wiele różnych czynników zdrowotnych i krwi.

Wykorzystanie dużych zbiorów danych i inteligentnych algorytmów

Naukowcy sięgnęli po dużą otwartą bazę danych opieki krytycznej z dużego szpitala w USA, zawierającą szczegółowe zapisy z ponad 94 000 pobytów na oddziałach intensywnej terapii w latach 2008–2022. Z tego źródła wyodrębnili 8 128 dorosłych z sepsą, którzy mieli cewnik PICC przez co najmniej dwa dni i nie mieli określonych czynników komplikujących, takich jak nowotwory krwi. Wśród tych pacjentów 538 rozwinęło zakrzep związany z cewnikiem, większość w ciągu pierwszego miesiąca po jego założeniu. Zespół podzielił pacjentów na dwie grupy: jedną do trenowania modelu komputerowego, drugą do testowania, jak dobrze sprawdzi się on w nowych przypadkach.

Co model nauczył się o ryzyku zakrzepu

Aby wychwycić wzorce zbyt złożone dla prostych reguł, zespół użył podejścia zwanego XGBoost — rodzaju uczenia maszynowego łączącego wiele małych drzew decyzyjnych w jeden silny predyktor. Do modelu wprowadzono informacje rutynowo zbierane przez klinicystów, w tym wiek, płeć, wyniki badań krwi, inne choroby oraz czas, przez jaki PICC pozostawał założony. Model zwracał prawdopodobieństwo, że dany pacjent rozwinie skrzep. Dokładność oceniano za pomocą pola pod krzywą ROC (AUC), standardowego miernika narzędzi predykcyjnych. Wyniki około 0,76 zarówno w grupie trenującej, jak i testowej wskazywały, że model wyraźnie odróżniał pacjentów o wyższym i niższym ryzyku.

Zajrzeć do „czarnej skrzynki”

Częstym zmartwieniem związanym z uczeniem maszynowym jest jego „czarno-skrzynkowy” charakter. Aby temu zaradzić, badacze zastosowali metodę interpretowalności zwaną SHAP, aby oszacować, jak bardzo każdy czynnik przesuwał predykcję w stronę wyższego lub niższego ryzyka. Najbardziej wpływowe cechy to liczba białych krwinek, liczba płytek krwi, przebyte zawały serca, hemoglobina, funkcja nerek, czas pozostawania PICC, wiek, łagodna choroba wątroby, parametr krzepnięcia krwi zwany czasem protrombinowym oraz cukrzyca bez ciężkich powikłań. Wspólnie malują obraz wzrostu ryzyka zakrzepu przy nasilonym zapaleniu, zaburzeniach równowagi krwi i układu krzepnięcia oraz przy dłuższym pozostawaniu cewnika w żyle. Analiza krzywej decyzyjnej sugerowała również, że stosowanie modelu do kierowania profilaktycznym leczeniem przyniosłoby korzyść większej liczbie pacjentów niż leczenie wszystkich lub nieleczenie nikogo.

Co to może znaczyć przy łóżku pacjenta

W codziennej opiece praca ta sugeruje, że lekarze mogliby wykorzystać rutynowo dostępne informacje, by oszacować prawdopodobieństwo wystąpienia zakrzepu związanego z PICC u pacjenta z sepsą zanim pojawią się problemy. Osoby oznaczone jako wysokiego ryzyka mogłyby być poddane uważniejszemu monitorowaniu, skróceniu czasu pozostawania cewnika, zastosowaniu specjalnych typów cewników lub wczesnej profilaktyce przeciwzakrzepowej, podczas gdy pacjenci niskiego ryzyka mogliby uniknąć niepotrzebnego leczenia. Badanie ma ograniczenia — pochodzi z jednego systemu szpitalnego i opiera się na danych historycznych, a nie na prospektywnym badaniu klinicznym — ale stanowi konkretny krok w stronę bardziej spersonalizowanego i bezpieczniejszego stosowania ratujących życie linii dożylnych u jednych z najciężej chorych pacjentów.

Cytowanie: Hao, W., She, Ty., Yuan, Zn. et al. A predictive model for PICC-related thrombosis in sepsis patients using XGBoost algorithm. Sci Rep 16, 14378 (2026). https://doi.org/10.1038/s41598-026-44999-z

Słowa kluczowe: sepsa, cewnik PICC, zakrzepica, uczenie maszynowe, opieka intensywna