基于机器学习的ROTEM测量血小板浓度预测

为什么快速检查血小板很重要

当病人在手术中或重症监护时出现出血，医生必须迅速决定是否给予血小板输注以促进血液凝固。标准实验室检测可以准确计数血小板，但通常需要一小时或更长时间，延缓了紧急决策。床旁设备能实时跟踪凝血形成，速度更快，但并不直接显示血液中的血小板数量。本研究探讨了计算机模型是否能将这些快速床旁测量转换为有关危险性低血小板水平的可靠信息。

实时凝血的快速观察

诸如旋转血栓弹力图（ROTEM）之类的现代现场检测观察血样从凝血起始到凝块成形再到后期溶解的全过程。这些测试提供反映凝块强度和稳定性的曲线与数值，但并不显示实际血小板数量。早期研究表明，某些ROTEM读数与血小板水平相关，但利用单一ROTEM数值的简单公式无法足够准确地预测血小板计数以指导治疗。作者因此探问，是否更高级的计算方法同时考虑多项ROTEM特征会做得更好。

从医院数据构建计算模型

研究团队收集了来自四家大学医院的2,333组配对血样，均来自2014年至2023年间的外科或重症病人。每例都包含一整套ROTEM测量和在三小时内采得的实验室血小板计数。在对数据进行仔细清洗并填补缺失值后，他们将29个与ROTEM相关的变量输入到若干机器学习方法中。一些模型尝试预测精确的血小板浓度，另一些则处理更简单的问题：血小板计数是否低于1000亿/升（应为1000亿/升的表述在原文为100 billion per liter，即100×10^9/L），或低于500亿/升，这些水平在手术和危重出血中被广泛用作安全阈值。

模型对血小板计数的预测效果如何

在估计精确血小板计数时，所有机器学习模型均优于依赖单一ROTEM值的旧公式。表现最佳的方法是将多种方法组合的堆叠集成模型，但其准确度仍属中等。该模型的预测值与真实血小板计数的平均差异约为每升40×10^9个血小板，作者认为对于自信制定剂量决策来说仍然过于不精确。比较预测与真实计数的图表以及偏倚与分散性的统计检验确认，尽管模型在总体趋势上有所把握，但在个体患者上常常出现较大偏差。

识别危险性低血小板效果更好

模型在一个更简单且临床关键的任务上表现得更好：标识血小板明显低下的患者。对于检测低于100×10^9/L的计数，随机森林和集成模型在衡量检测质量的标准指标——曲线下面积（AUC）上取得了很高数值。它们在排除低血小板方面尤其强大，即判定“安全”结果确实意味着患者超过阈值的概率很高。对于检测低于50×10^9/L的计数，性能更为显著，集成模型再次表现突出。这些结果在不同的准确性评判方式下都成立，并明显优于仅依赖单一ROTEM衍生值的做法。

这在床旁的潜在意义

作者得出结论：现有的机器学习模型尚不足以替代实验室血小板计数，因为它们对个体患者的精确数值估计波动过大。然而，同一类模型在回答血小板是否已降至关键安全阈值的二元问题上表现非常好。在紧急出血情况下，这种快速的床旁指引可以帮助医生在等待实验室结果时安全地推迟或避免血小板输注，从而减少护理延误和不必要的血制品暴露。

引用: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

关键词: 血小板计数, 血小板减少症, ROTEM, 机器学习, 血小板输注