En prediktiv modell för PICC-relaterad trombos hos sepsis‑patienter med hjälp av XGBoost‑algoritmen

Varför detta är viktigt för patienter och deras anhöriga

Många med livshotande infektioner, såsom sepsis, är beroende av långa, flexibla rör som placeras i venerna för att få läkemedel och näring. Dessa katetrar, kallade PICC‑linjer, är livsviktiga men kan ibland utlösa farliga blodproppar. Denna studie visar hur läkare använde en modern datorbaserad metod för att förutsäga vilka sepsispatienter som löper störst risk att utveckla proppar runt dessa linjer, med målet att förebygga komplikationer innan de uppstår.

Katetrar som hjälper men ibland skadar

När patienter har sepsis behöver de ofta veckors intravenösa antibiotika, vätska och näring. Perifert insatta centrala katetrar, eller PICC‑linjer, träs in via en ven i armen mot hjärtat för att möjliggöra detta. Trots sin praktiska användning kan PICC‑linjer också störa blodflödet och irritera kärlväggen, vilket gör att proppar kan bildas. Dessa proppar kan blockera vener, förlänga vårdtiden på intensivvård och i allvarliga fall lossna och färdas till lungorna. Hittills har det varit svårt för kliniker att i förväg avgöra vilka patienter som löper störst risk, eftersom många olika hälsotillstånd och blodvärden påverkar samtidigt.

Använda stora datamängder och smarta algoritmer

Forskarna använde en stor öppen intensivvårdsdatabas från ett större amerikanskt sjukhus, med detaljerade journaler från mer än 94 000 intensivvårdsvistelser mellan 2008 och 2022. Från denna resurs identifierade de 8 128 vuxna med sepsis som haft en PICC‑linje i minst två dagar och som inte hade vissa försvårande tillstånd, såsom blodcancer. Bland dessa patienter utvecklade 538 en kateterrelaterad trombos, de flesta inom den första månaden efter insättning. Teamet delade upp patienterna i två grupper: en för att träna sin datoriserade modell och en annan för att testa hur väl den fungerade på nya fall.

Vad modellen lärde sig om trombosrisk

För att upptäcka mönster som är för komplexa för enkla regler använde teamet en metod kallad XGBoost, en form av maskininlärning som kombinerar många små beslutsträd till en kraftfull förutsägare. De matade modellen med information som kliniker rutinmässigt samlar in, inklusive ålder, kön, blodprover, andra sjukdomar och hur länge PICC‑katetern varit på plats. Modellen gav en sannolikhet för att en viss patient skulle utveckla en propp. Dess noggrannhet bedömdes med hjälp av area under ROC‑kurvan, ett standardmått för prediktionsverktyg. Värden runt 0,76 i både tränings‑ och testgrupperna indikerade att modellen tydligt kunde skilja högre risk från lägre risk.

Att kika in i den svarta lådan

En vanlig oro med maskininlärning är att det kan kännas som en svart låda. För att hantera detta använde forskarna en tolkbarhetsmetod kallad SHAP för att uppskatta hur mycket varje faktor pressade en prediktion mot högre eller lägre risk. De mest inflytelserika variablerna inkluderade vita blodkroppar, trombocytantal, tidigare hjärtinfarkt, hemoglobin, njurfunktion, tid som PICC varit på plats, ålder, lätt leversjukdom, ett koagulationsmått kallat protrombintid och diabetes utan allvarliga komplikationer. Tillsammans målar dessa upp en bild av ökad trombosrisk när inflammation är hög, blod och koagulation är i obalans och linjen sitter kvar i venen längre. En beslutskurveanalys föreslog dessutom att användning av modellen för att styra profylaktisk behandling skulle gynna fler patienter än att behandla alla eller ingen.

Vad detta kan innebära i vårdrummet

I vanlig klinisk vård antyder detta arbete att läkare skulle kunna använda rutinmässigt tillgänglig information för att uppskatta en sepsispatients sannolikhet att utveckla en PICC‑relaterad trombos innan problem uppstår. De som identifieras som hög risk kan få tätare övervakning, kortare katetertid, särskilda katetertyper eller tidig profylaktisk antikoagulantia, medan låg‑riskpatienter kan undvika onödig behandling. Studien har begränsningar — den kommer från ett enda sjukhussystem och använder historiska data snarare än en prospektiv klinisk prövning — men den erbjuder ett konkret steg mot mer personanpassad och säkrare användning av livräddande intravenösa katetrar hos några av de sjukaste patienterna.

Citering: 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

Nyckelord: sepsis, PICC‑kateter, blodpropp, maskininlärning, intensivvård