引用本文： 葉佳徽, 王志聰, 馬銘志, 陳曦. 基于灰色關聯分析及 BP 神經網絡的下肢骨折術前深靜脈血栓形成風險研究. 華西醫學, 2023, 38(10): 1485-1489. doi: 10.7507/1002-0179.202308152 復制
下肢骨折是骨科常見疾病，約 5% 的下肢骨折患者會發生下肢深靜脈血栓形成（deep vein thrombosis, DVT）[1]。DVT 預后不良，可引起肺栓塞等嚴重并發癥，甚至危及生命，而預測該類患者發生 DVT 的風險并早期進行有效的預防和治療是當前面臨的主要挑戰[2]。人工智能是一種模擬人類思維模式的技術，通過運用人工智能算法，對海量復雜的醫療數據進行智能化處理并進行深入分析和精細處理，能克服當前關于 DVT 預測模型的一些限制[3]，在疾病的預測、診斷和治療中發揮著重要作用[4-5]，為探索疾病提供了更加精準的手段[6]。此外 DVT 的影響特征較多，選擇重要特征對預測精度的影響很大。以灰色關聯分析（grey relational analysis, GRA）結合 BP 神經網絡的人工智能預測方法已在其他領域獲得了良好驗證，但在血栓的診斷及預測等方面運用較少。因此，本研究旨在結合該領域的先前研究結論，進行大樣本評估，以評價人工智能在下肢骨折患者 DVT 預測中的價值。
1 對象與方法
1.1 研究對象
借助德陽市人民醫院醫院信息系統以及電子病歷數字管理系統，回顧性選擇 2018 年 1 月—2022 年 12 月在德陽市人民醫院骨科接受手術治療的下肢骨折患者為研究對象。納入標準：① 診斷為下肢骨折（包括骨盆骨折、股骨骨折、髕骨骨折、脛骨-腓骨骨折、踝部-足部骨折）；② 入院即完善血液指標檢測、彩色多普勒超聲（彩超）檢查；③ 既往未診斷有下肢 DVT。排除標準：① 入院前感染或近期使用抗感染藥物；② 入院前有肝膽疾病史（包括肝炎病毒感染、肝硬化、肝癌、膽囊炎、膽道梗阻、肝切除術后、膽囊切除術后）；③ 入院前長期服用抗凝藥或抗血小板藥物；④ 患有腫瘤或懷孕。研究方案經德陽市人民醫院醫學倫理委員會批準（批件號：2021-04-019-K01），患者均簽署血栓檢測及預防性抗凝治療知情同意書。
1.2 數據預處理
初選數據為：患者基本資料（性別、年齡、身高、體重等）；既往史（合并基礎疾病、手術史）；住院信息（受傷時間、入院時間、查血時間、彩超檢測時間等）；入院時的血液檢查結果，包括血常規（白細胞計數、紅細胞計數、血紅蛋白、血小板計數、紅細胞壓積等）、肝功能（總膽紅素、直接膽紅素、間接膽紅素、堿性磷酸酶、總蛋白等）、血糖、腎功能（腎小球濾過率等）、電解質（鉀、鈉、氯等）、凝血功能（血漿 D-二聚體、血漿纖維蛋白原等）、炎癥指標（紅細胞沉降率、C 反應蛋白等）；臨床資料，包括骨折部位、骨折類型（包括閉合性骨折、開放性骨折，有無多發骨折）等。收集患者術前下肢靜脈超聲檢查資料，并根據下肢靜脈超聲檢查結果將其分為 DVT 組和非 DVT 組。根據臨床資料計算患者中性粒細胞與淋巴細胞比值（neutrophi to lymphocyte ratio, NLR）、單核細胞與淋巴細胞比值（monocyte to lymphocyte ratio, MLR）和血小板與淋巴細胞比值（platelet to lymphocyte ratio, PLR）指標。在所收集的 Excel 數據表中，一行為一個病例，一列為一個特征，最后 3 列分別為彩超檢查結果、結論及彩超檢查時間。
為了解決上述初始數據集中存在的數據不完整、不一致以及缺乏數字特征等問題，本研究采用 IBM SPSS Statisics 24 軟件進行了數據預處理。具體方法：①變量賦值：對于存在漢字字符的列，使用數字進行替換，如患者性別、DVT 檢查結果，可賦值為 0 或 1。② 缺失值處理：A. 對于計量特征的數據值采用均值填充法填補缺失值。B. 對于賦值變量，則將缺失值填補為出現概率較大的類別。如患者性別，0 代表女性，1 代表男性，根據數據統計結果，男性出現概率較大，則缺失值填補為代表男性的“1”。C. 若某列 10% 的行數據為空，則將該列刪除；若某行 10% 的列數據為空，則刪除該行。③ 剔除重復記錄和異常數據。④ 統一數據格式：根據預處理后的數據完整程度，篩選出數據完整的可靠特征，構成新數據集并對所有血液檢查指標進行標準化處理，標準化公式為：標準化后新數據=（原數據–最小值）/（最大值–最小值）。
1.3 采用 GRA 篩選重要特征
GRA 是以各因素的樣本數據為依據，使用灰色關聯度來描述因素間關系的強弱，關聯度數值范圍為 0～1，越靠近 1，則關系越緊密。本研究采用 MATLAB R2018a 軟件進行 GRA，使用預處理后的新數據集計算出每個特征與 DVT 的灰色關聯度，最終篩選出灰色關聯度大（數值>0.7[7]）的特征作為 DVT 的重要預測特征，同時使用 GRA 計算該數據集不同樣本量的特征重要性進行穩定性分析。
所用數據基于標準化后的數據，其基本步驟如下：① 將是否患有 DVT 的目標序列作為參考序列，將預處理后數據完整的特征序列作為比較序列；② 計算比較序列和參考序列之間的關聯系數；③ 求出灰色關聯度[8]。
1.4 數據集的劃分
由于訓練模型數據越多，訓練的模型效果越好，在本研究中，將新數據集按 18∶1 的比例分別從兩組中抽取數據組成訓練集和測試集。
1.5 建立 BP 神經網絡模型
BP 神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，包括輸入層、隱藏層、輸出層，具有很強的非線性映射能力和柔性的網絡結構。BP 神經網絡可以分為正向傳播過程和反向傳播過程 2 個階段，模型在優化過程中不斷迭代，并不斷優化預測結果，整個過程就是神經網絡的訓練過程。當模型的偏差變化隨著迭代次數的增加而逐漸變得穩定時，則視為模型訓練結束[9]。本研究采用 MATLAB R2018a 軟件，用訓練集訓練 BP 神經網絡，以 GRA 選出的重要特征作為輸入層，以下肢骨折患者是否有 DVT 作為輸出層，當得出穩定權重時結束訓練。
1.6 模型評價
將測試集輸入到訓練好的 BP 神經網絡模型中得出預測結果。比較預測結果與實際結果，計算模型的精確度（預測結果和實際結果一致時的樣本個數與測試集樣本總數的比值）。通過與不同特征組合方案對 DVT 的預測精確度進行對比，同時評估不同人工智能模型 logistic 回歸分析、隨機森林、決策樹、單一 BP 神經網絡在 DVT 臨床診斷中的精確度，來驗證本研究 GRA-BP 神經網絡模型的優勢。
2 結果
共納入下肢骨折患者 4426 例，根據數據缺失或既往史符合排除標準共排除病例 393 例，實際納入病例 4033 例。其中男 2452 例，女 1581 例；DVT 組 3127 例，非 DVT 組 906 例。
2.1 初始特征的選擇
結合 SPSS 收集并分析數據情況，對 46 維收集到的初始特征進行統計，根據預處理后的數據完整程度，最終篩選提取出 17 項可靠特征構建數據集。構建的數據集表格有 4033 行、18 列，其中前 17 列是自變量，即 DVT 的常見影響特征，最后一列是因變量，即是否發生 DVT，如表1 所示。
表1
與 DVT 相關的常見影響特征
2.2 GRA 選擇的重要特征
如圖1 所示，本研究樣本集曲線得出淋巴細胞絕對值、NLR、MLR、PLR、血漿 D-二聚體、直接膽紅素、總膽紅素排名靠前，其數值均＞0.7，相比于其他 10 項特征數值較大，說明與 DVT 最相關。為了進一步驗證選出的特征是穩定的，本研究選擇不同的樣本量分別建立 GRA 模型進行分析，其中樣本集 1 為 601 例，本研究樣本集為 4033 例，之間樣本量以 572 例遞增，隨著樣本量的改變，7 種情況下，最重要的特征均為上述 7 個特征。
圖1
不同樣本量下的特征重要性曲線圖
NLR：中性粒細胞與淋巴細胞比值；MLR：單核細胞與淋巴細胞比值；PLR：血小板計數與淋巴細胞比值
2.3 基于 BP 神經網絡模型的預測結果
將 GRA 得到的 7 個重要特征作為 BP 神經網絡的輸入，得出的測試集結果如圖2 所示，其精確度為 87%。
圖2
GRA-BP 神經網絡的預測結果圖
GRA：灰色關聯分析
2.4 不同特征組合模型的預測結果
根據 GRA 得到的特征重要性，選擇去除一個或多個重要性較低的特征，共組成 7 種不同組合，使用這些不同的特征方案組合建立 BP 神經網絡模型進行 DVT 預測，結果顯示其精確度均低于由 GRA 計算獲得的 7 項重要特征組成的預測模型（表2）。
表2
下肢 DVT 預測方案組合及用于 BP 神經網絡的預測精確度
2.5 不同人工智能模型的預測結果
使用隨機森林、決策樹、logistic 回歸和單一 BP 神經網絡（未經 GRA 篩選的 17 項特征組成模型）來驗證 GRA-BP 神經網絡模型的優勢，結果顯示，隨機森林、決策樹、logistic 回歸分析、單一 BP 神經網絡模型的精確度分別為 76%、75%、74%、84%。而 GRA-BP 神經網絡模型精確度為 87%，提示 GRA 結合 BP 神經網絡算法模型精確度最高，性能最佳。
3 討論
下肢骨折患者 DVT 的發生是一個復雜的過程，通常發生在創傷患者術后早期，并且有多種危險特征參與其中。在既往的研究報道中，研究者們更多使用回歸模型分析 DVT 與相關指標的關系，如 Diao 等[10]發現術前時間、男性、D-二聚體>0.6 mg/L、總膽固醇>5.6 mmol/L、PLR>189.8 是髕骨骨折患者術前 DVT 發生的危險特征；Dou 等[11]研究了 1209 例股骨頸骨折患者，發現性別、年齡、損傷至住院時間、手術方式、麻醉方式、術中出血量是發生 DVT 的獨立危險特征；Niu 等[12]通過對 708 例股骨頸骨折患者的多因素研究發現 PLR 與 DVT 風險增加相關；Melinte 等[13]發現術前較高的血液學比值（MLR、NLR、PLR 等）可以預測全膝關節置換術后的急性 DVT。過去的許多研究也表明血常規中的炎癥指標與 DVT 有較大相關性[14-15]。
近年來人工智能技術的發展已經步入鼎盛時期，在生物醫學研究和醫療保健領域中的應用逐漸興起[16-17]，但人工智能在 DVT 的研究上較少，還需要探索新的方法和途徑[18-19]。高遠等[20]選擇隨機森林、貝葉斯、決策樹及梯度提升樹 4 種常用算法構建 DVT 風險預測模型，得出隨機森林模型的精確度最高。本研究結合以往的研究分析成果，利用了 GRA 結合 BP 神經網絡算法的人工智能技術對 DVT 進行風險預測，并與 7 種不同特征組合的模型的預測結果對比時發現，本研究 GRA 所選淋巴細胞絕對值、NLR、MLR、PLR、血漿 D-二聚體、直接膽紅素、總膽紅素能對下肢骨折患者術前 DVT 風險有效預測。
本研究采用人工智能算法模型對下肢骨折患者術前 DVT 風險進行預測，具有以下特點：① 通過多特征分析，找出多個重要特征，進行有針對性的預測；② 該模型在臨床診斷中有很高的精確度；③ 為臨床醫師提供了一個有效的 DVT 風險評估模型，以便更好地評估和預測下肢骨折患者術前 DVT 風險，也為下肢骨折患者術后 DVT 風險預測提供一定參考，從而更好地進行 DVT 預防策略的制訂。
本研究存在的不足：① 本研究為回顧性研究，收集資料有一定的局限性；樣本量有限，且選取的患者數據僅來自單一醫院，不能代表更廣泛地區人群的真實情況。后續可進一步進行前瞻性、多中心、大樣本的研究。② 本研究分析 DVT 的影響特征時，未納入患者種族、受傷時間以及是否存在其他疾病如高血壓、糖尿病，也未納入患者的合并癥、骨折部位、是否有多處骨折，并且未進行高危患者分類。因此后續需要提高數據完整性、擴大特征數量，以進一步提高預測模型的準確性。
綜上所述，DVT 發病率高，致殘率高，死亡率高，對 DVT 進行早期診斷和干預，是關系到下肢骨折患者預后的關鍵環節[21-22]。本研究應用人工智能算法模型對下肢骨折患者術前 DVT 進行風險預測，為 DVT 防治工作提供參考依據，對于 DVT 診斷和防治工作有一定的指導意義。
作者貢獻：葉佳徽：數據收集、整理、統計分析、繪圖、文章撰寫及修改；王志聰：科研設計、既往研究成果收集；馬銘志：臨床隨訪數據采集、統計分析；陳曦：文章的整體設計與內容修改、審閱。
利益沖突：在課題研究和文章撰寫過程中不存在利益沖突；經費支持沒有影響文章觀點和對研究數據客觀結果的統計分析及其報道。
下肢骨折是骨科常見疾病，約 5% 的下肢骨折患者會發生下肢深靜脈血栓形成（deep vein thrombosis, DVT）[1]。DVT 預后不良，可引起肺栓塞等嚴重并發癥，甚至危及生命，而預測該類患者發生 DVT 的風險并早期進行有效的預防和治療是當前面臨的主要挑戰[2]。人工智能是一種模擬人類思維模式的技術，通過運用人工智能算法，對海量復雜的醫療數據進行智能化處理并進行深入分析和精細處理，能克服當前關于 DVT 預測模型的一些限制[3]，在疾病的預測、診斷和治療中發揮著重要作用[4-5]，為探索疾病提供了更加精準的手段[6]。此外 DVT 的影響特征較多，選擇重要特征對預測精度的影響很大。以灰色關聯分析（grey relational analysis, GRA）結合 BP 神經網絡的人工智能預測方法已在其他領域獲得了良好驗證，但在血栓的診斷及預測等方面運用較少。因此，本研究旨在結合該領域的先前研究結論，進行大樣本評估，以評價人工智能在下肢骨折患者 DVT 預測中的價值。
1 對象與方法
1.1 研究對象
借助德陽市人民醫院醫院信息系統以及電子病歷數字管理系統，回顧性選擇 2018 年 1 月—2022 年 12 月在德陽市人民醫院骨科接受手術治療的下肢骨折患者為研究對象。納入標準：① 診斷為下肢骨折（包括骨盆骨折、股骨骨折、髕骨骨折、脛骨-腓骨骨折、踝部-足部骨折）；② 入院即完善血液指標檢測、彩色多普勒超聲（彩超）檢查；③ 既往未診斷有下肢 DVT。排除標準：① 入院前感染或近期使用抗感染藥物；② 入院前有肝膽疾病史（包括肝炎病毒感染、肝硬化、肝癌、膽囊炎、膽道梗阻、肝切除術后、膽囊切除術后）；③ 入院前長期服用抗凝藥或抗血小板藥物；④ 患有腫瘤或懷孕。研究方案經德陽市人民醫院醫學倫理委員會批準（批件號：2021-04-019-K01），患者均簽署血栓檢測及預防性抗凝治療知情同意書。
1.2 數據預處理
初選數據為：患者基本資料（性別、年齡、身高、體重等）；既往史（合并基礎疾病、手術史）；住院信息（受傷時間、入院時間、查血時間、彩超檢測時間等）；入院時的血液檢查結果，包括血常規（白細胞計數、紅細胞計數、血紅蛋白、血小板計數、紅細胞壓積等）、肝功能（總膽紅素、直接膽紅素、間接膽紅素、堿性磷酸酶、總蛋白等）、血糖、腎功能（腎小球濾過率等）、電解質（鉀、鈉、氯等）、凝血功能（血漿 D-二聚體、血漿纖維蛋白原等）、炎癥指標（紅細胞沉降率、C 反應蛋白等）；臨床資料，包括骨折部位、骨折類型（包括閉合性骨折、開放性骨折，有無多發骨折）等。收集患者術前下肢靜脈超聲檢查資料，并根據下肢靜脈超聲檢查結果將其分為 DVT 組和非 DVT 組。根據臨床資料計算患者中性粒細胞與淋巴細胞比值（neutrophi to lymphocyte ratio, NLR）、單核細胞與淋巴細胞比值（monocyte to lymphocyte ratio, MLR）和血小板與淋巴細胞比值（platelet to lymphocyte ratio, PLR）指標。在所收集的 Excel 數據表中，一行為一個病例，一列為一個特征，最后 3 列分別為彩超檢查結果、結論及彩超檢查時間。
為了解決上述初始數據集中存在的數據不完整、不一致以及缺乏數字特征等問題，本研究采用 IBM SPSS Statisics 24 軟件進行了數據預處理。具體方法：①變量賦值：對于存在漢字字符的列，使用數字進行替換，如患者性別、DVT 檢查結果，可賦值為 0 或 1。② 缺失值處理：A. 對于計量特征的數據值采用均值填充法填補缺失值。B. 對于賦值變量，則將缺失值填補為出現概率較大的類別。如患者性別，0 代表女性，1 代表男性，根據數據統計結果，男性出現概率較大，則缺失值填補為代表男性的“1”。C. 若某列 10% 的行數據為空，則將該列刪除；若某行 10% 的列數據為空，則刪除該行。③ 剔除重復記錄和異常數據。④ 統一數據格式：根據預處理后的數據完整程度，篩選出數據完整的可靠特征，構成新數據集并對所有血液檢查指標進行標準化處理，標準化公式為：標準化后新數據=（原數據–最小值）/（最大值–最小值）。
1.3 采用 GRA 篩選重要特征
GRA 是以各因素的樣本數據為依據，使用灰色關聯度來描述因素間關系的強弱，關聯度數值范圍為 0～1，越靠近 1，則關系越緊密。本研究采用 MATLAB R2018a 軟件進行 GRA，使用預處理后的新數據集計算出每個特征與 DVT 的灰色關聯度，最終篩選出灰色關聯度大（數值>0.7[7]）的特征作為 DVT 的重要預測特征，同時使用 GRA 計算該數據集不同樣本量的特征重要性進行穩定性分析。
所用數據基于標準化后的數據，其基本步驟如下：① 將是否患有 DVT 的目標序列作為參考序列，將預處理后數據完整的特征序列作為比較序列；② 計算比較序列和參考序列之間的關聯系數；③ 求出灰色關聯度[8]。
1.4 數據集的劃分
由于訓練模型數據越多，訓練的模型效果越好，在本研究中，將新數據集按 18∶1 的比例分別從兩組中抽取數據組成訓練集和測試集。
1.5 建立 BP 神經網絡模型
BP 神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，包括輸入層、隱藏層、輸出層，具有很強的非線性映射能力和柔性的網絡結構。BP 神經網絡可以分為正向傳播過程和反向傳播過程 2 個階段，模型在優化過程中不斷迭代，并不斷優化預測結果，整個過程就是神經網絡的訓練過程。當模型的偏差變化隨著迭代次數的增加而逐漸變得穩定時，則視為模型訓練結束[9]。本研究采用 MATLAB R2018a 軟件，用訓練集訓練 BP 神經網絡，以 GRA 選出的重要特征作為輸入層，以下肢骨折患者是否有 DVT 作為輸出層，當得出穩定權重時結束訓練。
1.6 模型評價
將測試集輸入到訓練好的 BP 神經網絡模型中得出預測結果。比較預測結果與實際結果，計算模型的精確度（預測結果和實際結果一致時的樣本個數與測試集樣本總數的比值）。通過與不同特征組合方案對 DVT 的預測精確度進行對比，同時評估不同人工智能模型 logistic 回歸分析、隨機森林、決策樹、單一 BP 神經網絡在 DVT 臨床診斷中的精確度，來驗證本研究 GRA-BP 神經網絡模型的優勢。
2 結果
共納入下肢骨折患者 4426 例，根據數據缺失或既往史符合排除標準共排除病例 393 例，實際納入病例 4033 例。其中男 2452 例，女 1581 例；DVT 組 3127 例，非 DVT 組 906 例。
2.1 初始特征的選擇
結合 SPSS 收集并分析數據情況，對 46 維收集到的初始特征進行統計，根據預處理后的數據完整程度，最終篩選提取出 17 項可靠特征構建數據集。構建的數據集表格有 4033 行、18 列，其中前 17 列是自變量，即 DVT 的常見影響特征，最后一列是因變量，即是否發生 DVT，如表1 所示。
表1
與 DVT 相關的常見影響特征
2.2 GRA 選擇的重要特征
如圖1 所示，本研究樣本集曲線得出淋巴細胞絕對值、NLR、MLR、PLR、血漿 D-二聚體、直接膽紅素、總膽紅素排名靠前，其數值均＞0.7，相比于其他 10 項特征數值較大，說明與 DVT 最相關。為了進一步驗證選出的特征是穩定的，本研究選擇不同的樣本量分別建立 GRA 模型進行分析，其中樣本集 1 為 601 例，本研究樣本集為 4033 例，之間樣本量以 572 例遞增，隨著樣本量的改變，7 種情況下，最重要的特征均為上述 7 個特征。
圖1
不同樣本量下的特征重要性曲線圖
NLR：中性粒細胞與淋巴細胞比值；MLR：單核細胞與淋巴細胞比值；PLR：血小板計數與淋巴細胞比值
2.3 基于 BP 神經網絡模型的預測結果
將 GRA 得到的 7 個重要特征作為 BP 神經網絡的輸入，得出的測試集結果如圖2 所示，其精確度為 87%。
圖2
GRA-BP 神經網絡的預測結果圖
GRA：灰色關聯分析
2.4 不同特征組合模型的預測結果
根據 GRA 得到的特征重要性，選擇去除一個或多個重要性較低的特征，共組成 7 種不同組合，使用這些不同的特征方案組合建立 BP 神經網絡模型進行 DVT 預測，結果顯示其精確度均低于由 GRA 計算獲得的 7 項重要特征組成的預測模型（表2）。
表2
下肢 DVT 預測方案組合及用于 BP 神經網絡的預測精確度
2.5 不同人工智能模型的預測結果
使用隨機森林、決策樹、logistic 回歸和單一 BP 神經網絡（未經 GRA 篩選的 17 項特征組成模型）來驗證 GRA-BP 神經網絡模型的優勢，結果顯示，隨機森林、決策樹、logistic 回歸分析、單一 BP 神經網絡模型的精確度分別為 76%、75%、74%、84%。而 GRA-BP 神經網絡模型精確度為 87%，提示 GRA 結合 BP 神經網絡算法模型精確度最高，性能最佳。
3 討論
下肢骨折患者 DVT 的發生是一個復雜的過程，通常發生在創傷患者術后早期，并且有多種危險特征參與其中。在既往的研究報道中，研究者們更多使用回歸模型分析 DVT 與相關指標的關系，如 Diao 等[10]發現術前時間、男性、D-二聚體>0.6 mg/L、總膽固醇>5.6 mmol/L、PLR>189.8 是髕骨骨折患者術前 DVT 發生的危險特征；Dou 等[11]研究了 1209 例股骨頸骨折患者，發現性別、年齡、損傷至住院時間、手術方式、麻醉方式、術中出血量是發生 DVT 的獨立危險特征；Niu 等[12]通過對 708 例股骨頸骨折患者的多因素研究發現 PLR 與 DVT 風險增加相關；Melinte 等[13]發現術前較高的血液學比值（MLR、NLR、PLR 等）可以預測全膝關節置換術后的急性 DVT。過去的許多研究也表明血常規中的炎癥指標與 DVT 有較大相關性[14-15]。
近年來人工智能技術的發展已經步入鼎盛時期，在生物醫學研究和醫療保健領域中的應用逐漸興起[16-17]，但人工智能在 DVT 的研究上較少，還需要探索新的方法和途徑[18-19]。高遠等[20]選擇隨機森林、貝葉斯、決策樹及梯度提升樹 4 種常用算法構建 DVT 風險預測模型，得出隨機森林模型的精確度最高。本研究結合以往的研究分析成果，利用了 GRA 結合 BP 神經網絡算法的人工智能技術對 DVT 進行風險預測，并與 7 種不同特征組合的模型的預測結果對比時發現，本研究 GRA 所選淋巴細胞絕對值、NLR、MLR、PLR、血漿 D-二聚體、直接膽紅素、總膽紅素能對下肢骨折患者術前 DVT 風險有效預測。
本研究采用人工智能算法模型對下肢骨折患者術前 DVT 風險進行預測，具有以下特點：① 通過多特征分析，找出多個重要特征，進行有針對性的預測；② 該模型在臨床診斷中有很高的精確度；③ 為臨床醫師提供了一個有效的 DVT 風險評估模型，以便更好地評估和預測下肢骨折患者術前 DVT 風險，也為下肢骨折患者術后 DVT 風險預測提供一定參考，從而更好地進行 DVT 預防策略的制訂。
本研究存在的不足：① 本研究為回顧性研究，收集資料有一定的局限性；樣本量有限，且選取的患者數據僅來自單一醫院，不能代表更廣泛地區人群的真實情況。后續可進一步進行前瞻性、多中心、大樣本的研究。② 本研究分析 DVT 的影響特征時，未納入患者種族、受傷時間以及是否存在其他疾病如高血壓、糖尿病，也未納入患者的合并癥、骨折部位、是否有多處骨折，并且未進行高危患者分類。因此后續需要提高數據完整性、擴大特征數量，以進一步提高預測模型的準確性。
綜上所述，DVT 發病率高，致殘率高，死亡率高，對 DVT 進行早期診斷和干預，是關系到下肢骨折患者預后的關鍵環節[21-22]。本研究應用人工智能算法模型對下肢骨折患者術前 DVT 進行風險預測，為 DVT 防治工作提供參考依據，對于 DVT 診斷和防治工作有一定的指導意義。
作者貢獻：葉佳徽：數據收集、整理、統計分析、繪圖、文章撰寫及修改；王志聰：科研設計、既往研究成果收集；馬銘志：臨床隨訪數據采集、統計分析；陳曦：文章的整體設計與內容修改、審閱。
利益沖突：在課題研究和文章撰寫過程中不存在利益沖突；經費支持沒有影響文章觀點和對研究數據客觀結果的統計分析及其報道。
