骨科手术后静脉血栓栓塞风险预测工具的研究现状2026

骨科手术后静脉血栓栓塞风险预测工具的研究现状2026静脉血栓栓塞（venousthromboembolism,VTE）包括深静脉血栓形成（deepveinthrombosis,DVT）和肺血栓栓塞症（pulmonarythromboembolism,PTE），在我国80岁以上住院患者中发病率为13.3%。研究发现，即使进行适当的VTE药物预防，骨科手术后3个月内DVT发生率仍有1.3%~10.0%。目前VTE的病因公认为3个要素，即静脉血流瘀滞、血管内膜损伤和血液高凝状态。住院患者卧床疗养，长期静脉治疗会损害血管壁，且手术后制动导致血流滞缓等均会增加发生静脉血栓的风险，严重者出现肺栓塞等危及生命的情况。VTE发病隐匿，具有高漏诊率、高误诊率、高病死率的特点，已经成为院内非预期死亡的重要原因之一。因此，合理选择恰当的VTE风险评估工具，早期精准识别VTE发生风险，并准确进行风险分级，是实施针对性预防干预的关键。本文就骨科手术后VTE的风险预测工具展开综述。1传统量表评分法评估VTE风险1.1Caprini评估量表该表由Caprini根据普外科、泌尿科及妇科患者研究得来，涵盖了住院患者可能发生VTE的所有风险因素，包含年龄、性别、并发症、手术类型、手术时间、创伤类型等45项，每个风险因素的评分为1~5分，根据总分，划分为低危（0~1分）、中危（2分）、高危（3~4分）和极高危（≥5分）4个风险等级，并针对不同的风险等级提出对应的预防措施。目前该量表已被美国胸科医师协会和中华医学会发布的相关VTE预防指南推荐用于骨科患者VTE的风险筛查。但因该量表为国外引入，存在人口特征学方面的差异，且属于普适性量表，因此预测骨科手术后患者发生VTE风险的敏感度和准确性未有一致的结论。1.2Wells评分量表该表由Wells等针对门诊患者设计而成，后简化和修订为WellsDVT和WellsPTE风险评估量表。WellsDVT评分量表包括9个阳性风险因素和1个阴性风险因素，分为低可能（<2分）和高度可能（≥2分）2个风险等级。WellsPTE评分量表包括7个风险因素，分为低可能（<2分）、中度可能（2~6分）、高度可能（>6分）3个风险等级。该量表风险因素较粗略，故单独使用准确性欠佳，与其他评分量表联合使用评估骨科手术后VTE发生风险或许有更好的预测效能。此外，该量表可与血浆D二聚体结合使用，便于VTE的排除诊断，避免不必要的影像学检查。1.3Autar评分量表该量表由Autar根据骨科患者特点设计而成，并于2003年进行修订，包含年龄、体重指数、活动能力等7个风险因素，分为低风险（≤10分）、中风险（11~14分）和高风险（≥15分）3个风险等级，并为各个风险等级指明评估时机及推荐相应的预防措施，例如下肢活动、下肢气压式治疗、梯度弹力袜、药物抗凝等。该量表涵盖范围广，已被广泛运用于骨科患者，但量表中对于创伤部位及手术类别的分类较为笼统，一定程度上影响预测VTE发生风险的准确性，因此需要进行进一步的临床验证。1.4静脉血栓形成危险度评分（RiskAssessmentProfileforThromboembolism,RAPT）量表该量表由Greenfield等针对创伤患者设计而成，包括病史、年龄、损伤程度、医源性因素4个方面，分为低风险（<5分）、中风险（5~14分）、高风险（>14分）3个等级。RAPT量表客观性较强，《中国创伤骨科患者围手术期VTE预防指南》建议所有住院的创伤骨科患者进行RAPT评估。李鹏鹏等在传统RAPT评分量表基础上进行改良，增加扩展了五大类因素，即D二聚体动态数值、血管内皮损伤性疾病、基本病史、创伤史、医源性损伤，结果显示，改良RAPT量表入院、术前、术后的受试者操作特征曲线下面积（areaunderthecurve,AUC）较传统RAPT量表分别提高了17.03%、16.72%、15.39%，证实改良RAPT量表较传统RAPT量表更有利于早期发现血栓风险。1.5传统评分量表间差异与联用临床常用量表还有Padua血栓风险评估量表、Khorana血栓风险评估表等针对内科、肿瘤科以及其他专科的评分量表。传统评分量表侧重点各有不同，因此不同的骨科手术类别、不同基础情况的患者可能适用的量表不同。目前临床上常采用美国胸科医师协会推荐的基于骨关节和骨创伤循证实践的Caprini评估量表来预测脊柱手术的VTE发生风险。陈晓等研究发现，对于老年髋部骨折患者术后DVT发生风险预测中，Wells评分量表的AUC（0.998）、敏感度（100%）、特异度（99.4%）均高于Caprini评估量表和Autar评分量表。宁华秀等研究显示，Autar评分量表的AUC（0.864±0.018）高于Caprini评估量表的AUC（0.816±0.020），提示Autar评分量表在筛选脊柱手术后高危血栓风险患者方面有更好的预测效能。根据患者的手术种类、手术部位以及自身基础情况等特点，选择较为合适的量表进行评估，在一定程度上可以提高风险预测的准确性。向飞帆等研究指出，对于股骨转子间骨折的住院患者发生下肢静脉血栓的风险预测，Wells评分量表、RAPT量表、Caprini评估量表的AUC分别为0.916、0.767、0.751，特异度分别为64.94%、35.06%、59.74%，表明Wells评分量表的预测价值较高且较准确，同时，RAPT量表在评估所有创伤骨科患者是否发生血栓风险方面较为适用。评分量表的侧重点各有差异，将其联合运用、取长补短，成为提高预测VTE发生风险准确性的一项措施。李红等在骨科大手术住院患者的围手术期联合运用Wells评分量表及Caprini评估量表的研究指出，该方式可有效改善相关指标的预测结果，降低围手术期VTE发生风险。临床上量表联合使用的研究较少，因此选择哪种评分量表进行联合，如何解读联合后的评估量表还需要进一步的研究和验证。2机器学习预测模型评估VTE风险2.1构建机器学习预测模型的趋势传统量表评分适用范围广，但具有专科性特点较差、个别评分条目受主观影响大等缺点，因此针对患者个体的风险预测往往收效甚微。一般情况下，诊断工具的AUC=0.5表示无诊断价值，0.5<AUC<0.7表示诊断准确性差，0.7≤AUC<0.8表示诊断准确性尚可，0.8≤AUC<0.9表示诊断准确性较好，AUC≥0.9表示诊断准确性优秀。侍冬成等研究显示，RAPT量表、Caprini评估量表、Autar评分量表作为诊断工具预测DVT的AUC均未超过0.6，表明3种评分量表对于下肢骨折患者DVT的发生具有一定的预测价值，但不够理想。同时，Chen等研究表明，使用结构化电子健康记录数据的机器学习模型可以改善不同人群的VTE诊断和1年风险预测。Tragaris等使用“机器学习”“脊椎”“人工智能”在Scopus、PubMed和GoogleScholar进行检索，筛选结果后纳入46项研究，展示了基于机器学习的预测和优化模型，平均总体准确率为74.9%，表明机器学习模型在脊柱手术风险预测方面表现较好。RasouliDezfouli等提出一种用于髋部及膝部重大手术前识别VTE高风险患者的机器学习框架，同时发现了数个未被认识的相关因素，多次迭代优化后，该机器学习框架的AUC（0.873）显著高于传统评分量表的AUC（0.639），表明评分量表法在区分低风险和高风险患者方面不如机器学习预测模型。2.2目前预测VTE的机器学习预测模型研究2.2.1XGBoost模型Ryan等指出，XGBoost模型是一种集合学习技术，在梯度提升决策树算法的基础上进行了多项改进，包括损失函数的二阶泰勒展开、加入正则项、并行计算等，通过集成多个决策树的预测分数，提高模型效率和泛化能力。XGBoost模型已运用于医疗保健领域。Kumar等使用XGBoost创建解剖型肩关节置换和反肩关节置换术后临床结果的预测模型，所有术后时间点上，291个参数的全模型和19个参数的简化模型在美国肩颈外科医师评分、整体肩功能评分、视觉模拟量表疼痛评分、主动外展及外旋等方面的平均绝对误差相似，证明了XGBoost模型对肩关节置换术后患者进行风险分层的积极作用。构建机器学习预测模型是开发新型预测工具的大趋势，但机器学习预测模型不一定比临床实践中使用的简单工具更具有准确性。Wang等提出一个预测单节段腰椎后路融合术后VTE发生风险的临床评分预测模型（AUC=0.709），仅纳入了年龄、体重指数、冠状动脉病史、功能状态、手术时间，但在VTE的风险预测方面达到与XGBoost模型（AUC=0.716）相似的准确性；而当包含比美国国家外科改进质量计划数据库更多的数据点时，机器学习预测模型更具有准确性。2.2.2其他预测模型逻辑回归、随机森林等机器学习模型在肿瘤住院患者的VTE风险预测中也表现出了不俗的预测能力，其预测性能均优于传统评分量表。Nemeth等开发出一种针对全髋关节成形术和全膝关节置换术术后90dVTE发生风险的预测模型（AUC=0.65），经外部验证AUC=0.64，表明该预测模型在开发和验证方面均表现良好。但目前骨科手术后的VTE风险预测模型仍处于发展阶段，不同手术部位及不同手术方法的专项化预测需要更多的研究及临床验证。另外，多数模型在验证过程中缺乏外部验证和多中心研究，在一定程度上影响了模型的稳定性和外推性。2.3机器学习预测模型未来应用与展望尽管机器学习的发展时间较短，但顺应了大数据时代电子健康记录数据的普遍运用，具有极大的发展前景。应用深度学习来降低骨科手术术中风险、预测术后并发症、筛查血栓发生的高发因素、快速识别血栓发生可能是未来发展前沿。机器学习模型在一定程度上提高了风险预测的准确性，但有效风险预测因素的确定需要临床医师的经验，因此，在小规模临床实践获得成果的基础上，构建基于该人群特征的预测模型或会取得意想不到的成果。相信随着机器学习算法的不断深入研究，电子健康记录数据的不断扩充，机器学习模型在保证预测准确性的前提下，普适性也会进一步扩大。3结语骨科手术后VTE的发生常由多种原因共同引起，严重时会累及多个系统，造成医疗费用增加甚