摘要
摘要目的基于机器学习算法构建3种不同的经外周静脉置入中心静脉导管（PICC）相关性血栓风险预测模型，并比较模型性能，为评估及预防PICC相关性血栓提供依据。方法基于最佳证据和专家函询形成PICC相关性血栓风险因素调查表。采取便利抽样法，选取2016年1月—2020年10月在江苏大学附属医院行PICC置管的626例患者为研究对象收集临床资料，基于机器学习算法，分别采用支持向量机（SVM）、XGBoost和Logistic回归方法构建3种不同的PICC相关性血栓风险预测模型，并进行评价和比较。模型评价指标包括马修斯相关系数（MCC）、F1分数、受试者工作特征曲线下面积（AUC）及Brier得分。结果共30个变量纳入研究，预测因子包括患者的人口学资料、患者病情、治疗因素、导管相关性因素4个方面。测试集上验证后的模型，在MCC、F1分数上，Logistic回归预测模型得分低于XGBoost、SVM预测模型；在AUC上，Logistic回归预测模型得分等于SVM，小于XGBoost；在Brier得分上，Logistic回归预测模型得分高于XGBoost、SVM预测模型。结论基于机器学习算法XGBoost、SVM预测模型性能在敏感性及准确性上优于传统Logistic回归模型。血栓预测因子有助于指导临床医务人员识别高风险患者，降低PICC相关性血栓发生率。
出版日期
2022年12月13日（中国期刊网平台首次上网日期，不代表论文的发表时间）
