用于肿瘤患者导管相关血栓个性化预防的机器学习生存模型

这项研究对癌症患者为何重要

许多癌症患者依赖置入大静脉的细长塑料导管，以便在不反复扎针的情况下接受化疗和其他治疗。这些中心静脉导管提升了舒适度，但也可能在导管周围诱发危险的血栓。医生目前缺乏可靠工具来判断哪些患者风险最高或何时最安全拔除导管。本研究引入了一个数据驱动的模型，旨在预测谁更可能发生导管相关血栓以及该风险何时达到高峰，从而能更好地为每位患者定制护理。

来自真实世界的大规模患者信息库

为构建预测工具，研究者收集了来自中国四家医院的30,947名成年肿瘤患者的导管数据。所有患者均为确诊恶性肿瘤并在中心静脉导管置入后至少接受过一次超声检查。对于每次导管置入，团队采集了47项基线特征，包括年龄、性别、体重指数、吸烟和饮酒习惯、既往疾病如高血压或既往血栓史、肿瘤类型与分期、导管本身的详细信息以及常见血液检查值。他们还记录了患者在导管留置期间接受的抗癌药物和靶向治疗，以及每根导管从置入到拔除或发生血栓的确切持续时间。

教会模型随时间追踪风险

研究团队没有简单地问“是否会发生血栓”这一二元问题，而是采用包含从导管置入到血栓形成或导管拔除时间的信息的生存建模方法。训练并比对了若干机器学习生存模型。最终模型称为 SM CRT，使用一种先进的提升方法，为每位患者输出两类信息：一个将患者按总体风险从低到高排序的单一风险评分，以及一条显示患者在导管留置期间风险如何每日升降的完整曲线。模型通过严格的交叉验证进行调优和测试，随后在三个独立的测试队列（包括一个随访队列）上评估，以降低结果因过拟合产生的可能性。

谁的风险更高以及风险何时达到高峰

SM CRT 模型在区分会发生导管相关血栓与不会发生者方面表现良好，各测试队列的一致性（concordance）值均约为0.7。分析揭示了若干明确的风险模式。某些导管类型，尤其是经股静脉置入的导管，与较高的血栓风险相关，而埋植式端口和一些放置在手臂的导管在位置良好时则更具保护性。肿瘤部位也很重要：胸腔区域的癌症，例如靠近上腔静脉的肿瘤（许多导管位于该处），其风险高于腹部或盆腔肿瘤，可能与局部压力和导管尖端附近释放的促凝因子有关。在治疗方面，特定化疗类别尤其是烷基化剂类（如铂类药物）以及抗血管生成药物显著增加风险，而肿瘤分期和许多常规血液指标的信息价值较低。

将预测转化为时机决策

这项工作的一大创新在于使用完整的风险随时间变化曲线，而不仅仅依赖单一评分。对于每位患者，模型估计一条概率曲线，显示置入后每一天发生血栓的概率。研究者对这些曲线进行了平滑处理，并将个人高风险窗口定义为预测风险超过该患者峰值一半的那些天。该窗口之前的天被标记为低风险，之后的天为长期风险。当将这些预测与真实世界结局比较时，在模型定义的低风险或长期风险期内拔除的导管，每导管天的血栓事件远少于在预测高风险期拔除的导管——即便在校正患者间差异后仍然如此。将总体风险评分与时间窗口结合，可实现更精细的分组，帮助区分持续高风险的患者与仅在短时间内危险集中的患者。

这对日常护理可能意味着什么

对普通读者来说，主要信息是作者构建了一个工具，不仅估计某位癌症患者发生导管相关血栓的可能性，还指出该风险何时最强。如果未来此类模型在干预性试验中得到验证并被整合进临床工作流程，医生或可据此选择更安全的导管类型、在预测的高风险日安排重点超声检查、调整抗凝药物或在风险高峰期提前拔除导管。在能用于常规实践之前还需更多测试，但本研究表明基于生存的机器学习能够将大型医院数据集转化为实用的、考虑时间维度的见解，可能有助于减少接受癌症治疗患者的并发症。

引用: Ge, H., Liu, Q., Xie, J. et al. Machine learning survival model for personalised prevention of catheter-related thrombosis in tumour patients. Commun Med 6, 304 (2026). https://doi.org/10.1038/s43856-026-01561-2

关键词: 导管血栓, 癌症患者, 机器学习, 风险预测, 中心静脉导管