基于可解释机器学习的食管癌术后静脉血栓栓塞预测模型构建与验证研究

　　来自国内的研究人员针对食管癌患者术后静脉血栓栓塞（VTE）风险预测难题，开发了八种机器学习模型。研究表明梯度提升机（GBM）模型预测效能最优（AUC=0.797），关键预测因子为D-二聚体和淋巴细胞计数（LYM），该模型具有显著的临床适用性，为食管癌术后VTE防治提供了精准预测工具。

　　

研究人员开发并验证了一种专门针对食管癌患者的术后静脉血栓栓塞（Venous Thromboembolism, VTE）风险预测模型，通过运用先进的机器学习技术提升临床决策能力与患者预后。研究团队构建了八种机器学习模型——包括逻辑回归（Logistic Regression, LR）、随机森林（Random Forest, RF）、神经网络（Neural Network, NN）、梯度提升机（Gradient Boosting Machine, GBM）、支持向量机（Support Vector Machine, SVM）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）、AdaBoost以及决策树，并进行了严格评估。

模型性能通过多种指标综合评判，包括Brier分数、校准斜率、F1分数、Youden指数、曲线下面积（Area Under the Curve, AUC）和准确率（Accuracy, ACC）。此外，研究采用决策曲线分析（Decision Curve Analysis, DCA）与校准曲线评估临床效用，同时借助SHAP（Shapley Additive Explanations）图增强模型的可解释性。

研究共纳入1595例食管癌患者，其中407例（25.52%）在观察期间确诊发生VTE。在各模型中，GBM表现最优，综合得分达44分，具体指标为：Brier分数0.151、校准斜率1.031、F1分数0.827、Youden指数0.466、AUC值0.797、ACC值0.757。关键预测因子包括D-二聚体（D-dimer）和淋巴细胞计数（Lymphocyte Count, LYM）。SHAP分析进一步揭示了各变量对风险评估的贡献度。

该研究成功建立了基于GBM的稳健VTE预测模型，展现出较高准确性及临床适用潜力，有助于降低食管癌高危人群VTE相关并发症发生风险与死亡率。