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，有高漏诊率、高误诊率、高病死率的特点，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1传统量表评分法评估VTE风险该表由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该表由Wells等针对门诊患者设计而成，后简化和修订为Wells-DVT和Wells-PTE风险评估量表。Wells-DVT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。Wells-PTE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。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，并为各个风险疗、梯度弹力袜、药物抗凝等。该量表涵盖范围响预测VTE发生风险的准确性，因此需要进1.4静脉血栓形成危险度评分(RiskAssessmentProfile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RAPT1.5传统评分量表间差异与联用实践的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(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。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，的AUC(0.873)显著高于传统评分量表的AUC(0.639),表明评分2.2.1XGBoost模型XGBoost模型已运用于医疗保健领域。Kumar等使用XGBoost创建解点上，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风险预测模尽管机器学习的发展时间较短，但顺应了大来发展前沿。机器学习模型在一定程度上提得成果的基础上，构建基于该人群特征的预充，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。造成医疗费用增加甚至危及患者生命。传统评分挥积极作用，