基于机器学习的精神疾病患者静脉血栓栓塞症风险预测模型构建

鉴于精神疾病及其诊疗的复杂性，传统量表预测和评估精神疾病患者 VTE 风险特异性不足，专科量表相关研究少，导致对精神疾病患者 VTE 风险评估和防治面临诸多挑战，存在漏诊与误诊的潜在风险。然而得益于人工智能的快速发展和不断优化，机器学习这一基于算法的数据挖掘技术在医疗领域也得到越来越多的关注，不同专科领域对特殊患者进行 VTE 风险预测模型的构建也愈发热门。例如，解放军总医院 2021 年对创伤患者下肢深静脉血栓栓塞诊的诊断预测模型认为，对于创伤患者而言，血栓史、抗凝药物使用剂量、术前最后一次葡萄糖测定结果、术后首次葡萄糖测定结果等对后续下肢深静脉血栓栓塞的出现和诊断有很高的预测价值。又如，针对系统性红斑狼疮患者 VTE 风险预测模型研究发现，性别、年龄、BMI、高脂血症、低蛋白血症、CRP、抗β2GPI 抗体、狼疮抗凝物等 11 个因子的预 测模型能够对 SLE 患者合并 VTE 风险的预测指标 AUC 达到 0.947。 这些优秀的 VTE 预测模型研究为相应专科的特殊病人提供了高效准确的 VTE 风险评估方式，为制定有效的干预和治疗方案提供参考。本研究希望针对精神疾病患者这一特殊人群，构建基于机器学习的 VTE 风险预测模型，以指导精神疾病住院患者的 VTE 评估和风险分级，为后续临床实践和科学研究提供参考依据。