使用 XGBoost 算法预测脓毒症患者 PICC 相关血栓的模型

对患者和家庭为何重要

许多患有危及生命感染（如脓毒症）的人依赖置入静脉的长而柔软的导管来输送药物和营养。这些称为 PICC 的导管至关重要，但有时会引发危险的血栓。该研究展示了医生如何使用一种现代计算技术来预测哪些脓毒症患者最有可能在这些导管周围形成血栓，目的是在并发症发生之前加以预防。

有益亦可能有害的导管

当患者患有脓毒症时，常常需要数周的静脉抗生素、补液和营养。外周中心静脉置管（PICC）从手臂的静脉穿入并伸向心脏，以实现这些治疗。虽然使用方便，PICC 也可能扰乱血流并刺激血管壁，促使血栓形成。这些血栓可能阻塞静脉、延长重症监护时间，并在严重情况下脱落并随血流到达肺部。到目前为止，临床医生难以提前判断哪些患者风险更高，因为许多不同的健康和血液因素同时起作用。

利用大数据和智能算法

研究者利用了来自一家美国大型医院的开放重症护理数据库，该数据库包含 2008 年至 2022 年间超过 94,000 次重症监护记录的详细信息。从中，他们筛选出 8,128 名脓毒症成人患者，这些患者的 PICC 至少留置两天且无某些并发病（如血液系统恶性肿瘤）。在这些患者中，有 538 人出现了与导管相关的血栓，大多数发生在置管后第一个月内。研究团队将患者分为两组：一组用于训练计算模型，另一组用于测试模型在新病例上的表现。

模型学到的血栓风险信息

为了发现简单规则难以捕捉的复杂模式，团队使用了一种称为 XGBoost 的方法，这是一类将许多小决策树组合成单一强预测器的机器学习技术。他们向模型输入临床常规收集的信息，包括年龄、性别、血液检测结果、其他疾病以及 PICC 的留置时间。模型输出某一患者发生血栓的概率。使用受试者工作特征曲线下面积（AUC）这一预测工具的标准指标来评估其准确性。训练组和测试组的得分约为 0.76，表明模型能较清晰地区分高风险与低风险患者。

窥视“黑箱”

机器学习常被担心像个黑箱。为了解释模型，研究者使用了一种可解释性方法 SHAP，估算每个因素对预测朝向更高或更低风险的推动作用。最有影响力的特征包括白细胞计数、血小板计数、既往心肌梗死、血红蛋白、肾功能、PICC 留置时间、年龄、轻度肝病、一项名为凝血酶原时间的凝血指标，以及无严重并发症的糖尿病。总体来看，这些特征描绘出当炎症高、血液与凝血功能失衡且导管在静脉内停留时间较长时，血栓风险上升的情形。决策曲线分析进一步表明，使用该模型来指导预防性治疗比对所有人或对无人采取措施更能使患者受益。

在临床床边可能的意义

在日常护理中，这项工作表明医生可以利用常规可得的信息，在问题发生之前估计脓毒症患者出现 PICC 相关血栓的可能性。被标记为高风险的患者可能需要更密切的监测、缩短导管留置时间、采用特定类型的导管或早期给予预防性抗凝，而低风险患者则可能避免不必要的治疗。该研究有其局限性——来自单一医院系统并使用既往数据而非实时临床试验——但它为在一些最危重的患者中更个体化和更安全地使用救命静脉导管迈出了一步。

引用: 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

关键词: 脓毒症, PICC 导管, 血栓, 机器学习, 重症监护