机器学习模型预测直接口服抗凝药相关胃肠道出血的验证研究：优于传统评分系统

　　本研究针对DOACs使用者GIB风险预测难题，来自未知机构的研究人员通过开发GBM、XGBoost和GLM三种机器学习模型，在12/24个月预测中XGBoost表现最优（AUC最高达0.948），特异性达79.8%（100%灵敏度下），显著超越HAS-BLED等传统评分，为临床抗凝出血风险评估提供新工具。

　　

研究人员成功验证了机器学习模型在预测直接口服抗凝药（DOACs）使用者胃肠道出血（GIB）风险方面的卓越性能。通过对4,494名≥18岁DOACs服用者进行回顾性分析，研究团队采用梯度提升机（GBM）、XGBoost和广义线性模型（GLM）三种算法，分别在12个月和24个月时间点进行预测。结果显示XGBoost模型表现最为亮眼，在外部验证组中24个月AUC达到0.905，12个月更是高达0.948。与传统出血风险评分（HAS-BLED、ATRIA、VTE-BLEED和ORBIT）相比，所有机器学习模型都展现出显著优势，特别是在保持100%敏感度的前提下，XGBoost和GBM在12个月预测时特异性达到79.8%，远优于ORBIT评分39.8%的表现。尽管机器学习模型展现出更好的预测能力，研究者仍指出其性能尚有提升空间，需要进一步研究优化模型表现。这项研究为临床医生提供了更精准的出血风险评估工具，有助于实现DOACs治疗的个性化安全管理。