《Journal of Vascular Surgery: Venous and Lymphatic Disorders》：The Caprini Score for Venous Thromboembolism Risk Assessment: A Scoping Review of Applications, Validation, and Future Directions
编辑推荐：
这篇范围综述系统梳理了近五年（2021-2025）关于Caprini静脉血栓栓塞（VTE）风险评估模型的研究。文章揭示了学术界对其看法不一，但改进模型（如整合生物标志物、专科特异性模型、人工智能/机器学习应用）的预测性能（AUC）平均提升显著（ΔAUC 0.130）。结论认为，Caprini评分仍是有效的标准化筛查工具，但其未来在于向更精准、情境适应的智能评估框架演进。
在临床实践中，准确识别有静脉血栓栓塞症（Venous Thromboembolism, VTE）风险的患者是实施有效预防、降低相关死亡率和医疗负担的关键。自1991年由Joseph A. Caprini提出并历经数次更新后，Caprini风险评估模型已成为全球范围内应用最广泛的VTE风险评估工具之一。它整合了约40个风险因素，根据血栓风险赋予1-5分，通过累积分数将患者划分为不同风险等级。然而，其预测性能在不同研究和患者亚组中差异显著，这催生了大量验证、应用和改良相关的研究。这篇范围综述旨在描绘2021年至2025年间关于Caprini模型的学术图景，系统分析其应用模式、验证性能、学术观点及主要的改进策略。
研究揭示了什么？数据中的分歧与共识
通过对四个大型数据库的系统检索与筛选，本研究最终纳入了275项符合标准的研究。分析显示，学术界对Caprini模型的态度呈现多元化分布：支持性观点占41.1%，认为其在特定场景下能有效指导预防、改善结局；中性观点占34.9%，常将其作为比较基准或整合进新模型；而批评性观点占24.0%，并呈近年上升趋势，主要批评其在特定人群（如内科住院患者）中准确性不足、操作复杂或导致过度预防。
在预测性能方面，数据提供了量化洞察。在83项报告了受试者工作特征曲线下面积（Area Under the Curve, AUC）值的研究中，原始Caprini评分的AUC值范围很广（0.29至0.87），74.7%的研究结果集中在0.6至0.8之间。特别具有启发性的是来自52项研究的配对比较数据：原始Caprini模型的平均AUC为0.702，而改进后或新建模型的平均AUC达到了0.832，平均提升了0.130，中位提升为0.105，且98.1%的比较显示了性能提升。这种提升在原始模型表现较弱的专科（如内科、重症监护室）中尤为明显。
临床应用：从风险评估到质量改进
在临床实践中，Caprini模型主要展现出三种应用模式。首先是作为决策支持工具，有研究显示，遵循基于该评分的预防建议，能显著降低某些外科患者群体的VTE发生率，甚至有成本分析表明其可节约抗凝药物支出。其次是作为质量改进的引擎，将评分嵌入电子病历系统或强制评估流程，能大幅提升结构化风险评估的执行率和指南依从性。最后是描述性或分析性应用，用于审核临床实践、比较不同工具，或作为研究分层框架，探索与生物标志物的关联。
然而，一个跨专科反复出现的模式是，高危评分与实际获得适当预防之间存在差距。审计显示，即使被Caprini评分归类为高危，部分手术患者获得恰当预防的比例仍偏低，在内科住院患者中预防遗漏也较常见。这提示，一个工具的价值不仅在于其预测准确性，还依赖于其在临床工作流中的有效整合与执行。
模型的进化：四大改进方向
面对已识别的局限性，大量研究致力于模型的精炼与优化，主要汇聚成四个方向：
- 1.
整合生物标志物：共有33项研究尝试用生物标志物增强Caprini评分。最常被整合的是D-二聚体，其他还包括凝血酶-抗凝血酶复合物、血清白蛋白、血栓弹力图参数等。这旨在为风险评估增加客观的病理生理学维度。
- 2.
开发专科特异性或简化模型：这是最主流的方向，涉及45项研究。针对特定患者群体（如结直肠癌患者、ICU患者）开发专用模型，或进行不同评分间的头对头比较，以应对通用清单在专科人群中的校准不足。
- 3.
应用人工智能/机器学习：23项研究利用如XGBoost、随机森林等算法开发预测模型，报告其性能超越传统的Caprini评分。这类方法擅长捕捉复杂的非线性关系。
- 4.
优化评估流程：30项研究专注于通过电子健康记录集成、优化风险截断值或将其嵌入结构化护理协议，来克服临床部署的障碍，提高工具的可用性和依从性。
讨论与启示：从通用清单到精准框架
综述的发现揭示了一个核心矛盾：Caprini模型的核心局限性往往是系统性的，源于将通用清单应用于复杂、跨专科患者时的挑战；而有效的改进本质上又是高度情境依赖的。这解释了为何批评与改进研究同时蓬勃开展。
这指向一个务实的临床实践双层思路：一方面，可继续使用如Caprini这样标准化、易实施的良好模型，进行人群水平的风险筛查和推动协议合规，这对于提升整体预防率、实现质量改进具有重要价值。另一方面，对于高风险或情况复杂的患者进行个体化决策时，应考虑采用增强的、经过验证的策略，这些策略可能整合了动态生物标志物或专科特异性算法。
未来，VTE风险评估的进化方向并非简单地抛弃旧工具，而是构建一个分层的、智能的多模态评估框架。这个框架可能以标准化临床清单为基础，进行高效普筛，同时通过情境触发的模块（例如，对高危标志启动生物标志物面板检测，对复杂共病患者调用AI算法）来动态增强其精准性。实现这一愿景，需要前瞻性研究来比较多模态策略与传统模型的效果，需要开发能融合临床数据与按需精细化分析的动态评估协议，更需要实施科学以确保这些先进工具能无缝嵌入临床工作流。最终目标是引领VTE预防从“一刀切”的普适策略，迈向基于循证、因人而异的精准优化之路。
