全麻患者术后重症监护中心（ICU）下肢深静脉血栓（DVT）的机器学习预测模型构建及危险因素研究
罗希 张沿君（通讯作者）

重庆医科大学附属永川医院，重庆市，402160；

摘要：目的：探索全麻术后重症监护中心（ICU）患者新发下肢深静脉血栓（DVT）的关键危险因素，构建基于术中动态数据的机器学习预测模型，并评估其对术中实时预警与个体化干预的临床价值。方法：收集2023年1月至2025年6月在某三甲医院ICU接受治疗的全麻术后患者临床资料，包括术前实验室指标、术中血流动力学参数与血管活性药物使用情况。构建XGBoost预测模型，并通过SHAP值进行特征解释与风险阈值判定。进一步设计随机对照试验，验证基于模型的定向干预措施对DVT发生率的影响。结果：共纳入342例患者，其中新发DVT 79例（23.1%）。多因素分析显示，术中MAP＜65 mmHg的持续时间、手术和麻醉时间延长、去甲肾上腺素使用剂量为主要独立危险因素。XGBoost模型预测性能良好，AUC为0.89，SHAP分析确认高风险组合为手术时间＞180 min且麻醉时间＞150 min。基于此的术中干预可将DVT发生率由34.1%降至8.1%（P<0.01），术后IL-6水平及住院成本亦显著下降。结论：构建于术中动态指标的机器学习模型可实现DVT高风险患者的早期识别，辅助实时干预策略制定，显著降低DVT发生率，具有较强的临床推广与转化潜力。

关键词：深静脉血栓；重症监护；机器学习

参考文献

[1]郑慧萍,张美素,杨卫琴,等.下肢深静脉血栓三主体联动预警体系在全髋关节置换术患者中的应用研究[J].全科医学临床与教育,2025,23(05):471-472.

[2]陈艳,江玉婷,周冬.基于风险预警护理模式在ICU绝对卧床患者下肢深静脉血栓预防中的应用效果[J].现代养生,2025,25(11):857-860.

[3]张琛.空气压力波治疗仪联合综合护理对预防ICU患者DVT的价值研究[J].婚育与健康,2025,31(02):169-171.

[4]王晓敏,陈柱,张恒,等.基于机器学习和医疗物联网的ICU危重患者呼吸机报警管理模型的开发与验证[J].中国循证医学杂志,2025,25(04):387-394.

[5]甘文思,黄一睿,王笑青,等.基于机器学习的ICU老年患者呼吸机相关肺炎风险预测模型的构建及评价[J].中华医院感染学杂志,2025,35(02):290-296.

[6]袁媛,张冉,李桂云.颅脑肿瘤患者术后下肢深静脉血栓的危险因素分析[J].北京医学,2020,42(03):210-213.

[7]Hughes CG, Morandi A, Girard TD, et, al. Association between endothelial dysfunction and acute brain dysfunction during critical illness. Anesthesiology. 2013 Mar;118(3):631-9.