1. 引言
全膝关节置换术（TKA）是治疗膝关节疾病的常见手术，但术后深静脉血栓（DVT）发生风险较高，可能引发肺栓塞（PE）等严重并发症。随着全球老龄化加剧，DVT发病率逐年上升，尤其多见于大手术或长期卧床患者。近年来，人工智能技术逐步应用于DVT风险预测，机器学习模型通过分析临床指标和生物标志物数据，为医生提供精准决策支持。本研究基于6种机器学习方法构建TKA术后DVT风险预测模型，并通过SHAP方法进行可解释性分析，旨在揭示DVT形成的风险因素及其影响程度。
2. 对象与方法
2.1. 临床数据
回顾性收集山西医科大学第二医院2020年7月至2023年7月收治的3058例TKA患者病历，经纳入与排除标准筛选后，最终纳入1238例患者数据。纳入标准包括：年龄≥18岁、住院时间>3天、接受初次单侧TKA手术且病历完整；排除标准涵盖非 compartmental 置换、膝关节翻修术、双侧同期置换、术前已确诊DVT或PE、血栓病史、血液系统疾病或长期抗凝治疗者。
2.2. 观察指标
收集指标涵盖基本信息（年龄、性别、体重指数等）、既往史（吸烟史、高血压、糖尿病等）、手术指标（麻醉方式、ASA分级、止血带时间等）及生化指标（血红蛋白、HCT、D-二聚体、APTT等共63项特征）。
2.3. 统计分析
采用SPSS 26.0和RStudio 4.2.3软件进行数据分析。对缺失率≤30%的特征使用多重插补法填补，通过Lasso回归和Boruta算法筛选特征变量，构建逻辑回归（LR）、XGBoost、随机森林（RF）、AdaBoost、梯度提升决策树（GBDT）和K近邻（KNN）模型，以10折交叉验证优化超参数，并利用受试者工作特征曲线（ROC-AUC）、校准曲线、临床决策曲线（DCA）等评估模型性能。
3. 结果
3.1. 基线数据比较
DVT组（n=254）与非DVT组（n=984）在年龄、BMI、麻醉方式、过敏史、贫血、RCRI指数、PT、APTT、D-二聚体等16项指标上存在显著差异（P<0.05）。
3.2. 特征筛选
Lasso回归筛选出28个变量，Boruta算法进一步识别出贫血、输血量、失血量、HCT、D-二聚体、凝血酶时间（TT）、氯离子（CL）、麻醉时间、手术时间、APTT和术后运动疼痛评分等11个共同特征作为最终建模变量。
3.3. 模型性能比较
训练集中XGBoost和RF模型AUC达1.000，但验证集中逻辑回归模型表现最优（AUC=0.672）。综合校准曲线和DCA分析，逻辑回归模型具有最佳临床适用性和稳定性。
3.4. SHAP可解释性分析
APTT缩短（重要性最高）、麻醉时间延长、TT升高、术后运动疼痛评分增高、D-二聚体降低、CL降低、输血量增加、失血量增加、手术时间缩短及贫血均为DVT形成的风险因素。典型病例分析显示，非DVT患者SHAP评分仅为0.14，而DVT患者达0.59。
4. 讨论
本研究首次联合多种机器学习算法构建TKA术后DVT预测模型，逻辑回归模型在保证预测精度的同时兼具良好可解释性。APTT作为凝血功能核心指标，其缩短提示血液高凝状态；麻醉时间延长可能通过血流动力学改变增加血栓风险；D-二聚体降低可能与术前抗凝措施相关。研究局限性包括单中心回顾性设计、未纳入遗传因素及术后动态监测数据。未来需通过多中心前瞻性研究进一步验证模型泛化能力。
