综述：机器学习模型在预测复发性静脉血栓栓塞症方面的准确性：一项系统评价和荟萃分析

《Journal of Thrombosis and Thrombolysis》：Accuracy of machine learning models in predicting recurrent venous thromboembolism: a systematic review and meta-analysis

复发性静脉血栓栓塞症是重大临床挑战，现有评分预测准确性有限。系统综述和元分析评估了2025年7月前ML模型预测RVTE的性能，显示ML模型AUC 0.89（95%CI 0.86-0.91），优于传统评分，其中神经网络表现最优。但高异质性（I2>79%）和内部验证依赖导致临床应用受限，需更大规模多中心研究验证。

　　

摘要

复发性静脉血栓栓塞症是导致发病率和死亡率的主要原因之一，现有的风险评分在预测准确性方面存在局限性。机器学习（ML）模型可以通过捕捉复杂的非线性关联来改善风险分层，但它们之间的相对性能仍不确定。我们系统地检索了PubMed、Embase、Web of Science、Scopus和EBSCO数据库中截至2025年7月31日的关于开发或验证复发性静脉血栓栓塞症（Recurrent VTE）预测模型的研究。符合条件的研究报告了判别能力、校准或分类指标。我们使用PROBAST+AI评估了偏倚风险，使用GRADE评估了证据的确定性。通过双变量随机效应荟萃分析计算了判别能力的合并估计值，并通过亚组分析和荟萃回归分析来探讨异质性。共纳入了8项研究（样本量n=235–21,227）。机器学习模型表现出较强的判别能力（AUC 0.89，95% CI 0.86–0.91）、敏感性0.80（95% CI 0.56–0.93）和特异性0.83（95% CI 0.66–0.92），诊断比值比为20（95% CI 7–52）。虽然异质性较高（I2 > 79%），但主要归因于模型类型和样本量。神经网络的表现优于其他机器学习方法（AUC > 0.90）。未检测到显著的出版偏倚。在模型开发阶段的偏倚风险较低，但在评估阶段由于依赖内部验证而偏高。证据的确定性被评定为中等。与传统复发性静脉血栓栓塞症风险评分相比，机器学习模型具有更强的判别能力，并有潜力为个体化的抗凝治疗决策提供依据。然而，由于外部验证有限、依赖专门的预测因子以及存在较大的异质性，这些模型的临床应用受到限制。在广泛推广之前，需要开展大规模、前瞻性、多中心的研究，使用常规可获取的数据。

图形摘要

复发性静脉血栓栓塞症（Recurrent Venous Thromboembolism, RVTE）仍然是一个重大的临床挑战，现有的风险评分在预测准确性方面存在局限。我们系统地回顾并荟萃分析了8项研究（样本量n=235–21,227），这些研究评估了用于RVTE预测的机器学习（ML）模型。机器学习方法表现出较强的整体性能（AUC 0.89，95% CI 0.86–0.91；敏感性0.80；特异性0.83；诊断比值比为20），其中神经网络的表现始终优于其他算法。高异质性（I2 > 79%）主要由模型类型和样本量解释。在模型开发阶段的偏倚风险较低，但在评估阶段由于外部验证有限而偏高。证据的总体确定性为中等。

复发性静脉血栓栓塞症是导致发病率和死亡率的主要原因之一，现有的风险评分在预测准确性方面存在局限性。机器学习（ML）模型可以通过捕捉复杂的非线性关联来改善风险分层，但它们之间的相对性能仍不确定。我们系统地检索了PubMed、Embase、Web of Science、Scopus和EBSCO数据库中截至2025年7月31日的关于开发或验证复发性静脉血栓栓塞症（Recurrent VTE）预测模型的研究。符合条件的研究报告了判别能力、校准或分类指标。我们使用PROBAST+AI评估了偏倚风险，使用GRADE评估了证据的确定性。通过双变量随机效应荟萃分析计算了判别能力的合并估计值，并通过亚组分析和荟萃回归分析来探讨异质性。共纳入了8项研究（样本量n=235–21,227）。机器学习模型表现出较强的判别能力（AUC 0.89，95% CI 0.86–0.91）、敏感性0.80（95% CI 0.56–0.93）和特异性0.83（95% CI 0.66–0.92），诊断比值比为20（95% CI 7–52）。虽然异质性较高（I2 > 79%），但主要归因于模型类型和样本量。神经网络的表现优于其他机器学习方法（AUC > 0.90）。未检测到显著的出版偏倚。在模型开发阶段的偏倚风险较低，但在评估阶段由于依赖内部验证而偏高。证据的确定性被评定为中等。机器学习模型与传统的复发性静脉血栓栓塞症风险评分相比具有更强的判别能力，并有潜力为个体化的抗凝治疗决策提供依据。然而，由于外部验证有限、依赖专门的预测因子以及存在较大的异质性，这些模型的临床应用受到限制。在广泛推广之前，需要开展大规模、前瞻性、多中心的研究，使用常规可获取的数据。

图形摘要

复发性静脉血栓栓塞症（Recurrent Venous Thromboembolism, RVTE）仍然是一个重大的临床挑战，现有的风险评分在预测准确性方面存在局限。我们系统地回顾并荟萃分析了8项研究（样本量n=235–21,227），这些研究评估了用于RVTE预测的机器学习（ML）模型。机器学习方法表现出较强的整体性能（AUC 0.89，95% CI 0.86–0.91；敏感性0.80；特异性0.83；诊断比值比为20），其中神经网络的表现始终优于其他算法。高异质性（I2 > 79%）主要由模型类型和样本量解释。在模型开发阶段的偏倚风险较低，但在评估阶段由于外部验证有限而偏高。证据的总体确定性为中等。