我们开发了能够准确预测CEAP C2-C4疾病患者内镜下和外科静脉曲张治疗后结果的ML模型，其性能优于逻辑回归。这些算法在指导患者治疗和围手术期风险缓解策略方面具有潜在的重要用途，以防止静脉曲张消融术后出现无临床改善（LCI）。
我们开发了能够准确预测CEAP C2-C4疾病患者内镜下和外科静脉曲张治疗后结果的ML模型，其性能优于逻辑回归。这些算法在指导患者治疗和围手术期风险缓解策略方面具有潜在的重要用途，以防止静脉曲张消融术后出现无临床改善（LCI）。
研究背景
静脉曲张消融术通常用于有活动性或愈合性溃疡的患者。然而，对于没有溃疡的患者，选择进行干预的指征尚不明确。预测静脉曲张消融术后无临床改善（LCI）的工具可能有助于指导临床决策，但目前这类工具仍然有限。我们开发了机器学习（ML）算法来预测静脉曲张消融术后1年的LCI。
材料和方法
使用血管质量倡议（VQI）数据库，我们识别了2014年至2024年间接受内镜下或外科静脉曲张治疗的CEAP C2-C4疾病患者。确定了226个预测特征（111个术前特征[人口统计学/临床特征]、100个术中特征[手术过程相关]、和15个术后特征[术后即时过程/并发症]）。
主要结局是1年LCI，定义为术前静脉临床严重程度评分（VCSS）减去术后VCSS≤0，表明静脉曲张消融术后无临床改善。数据被分为训练集（70%）和测试集（30%）。使用术前特征训练了六种ML模型（Extreme Gradient Boosting [XGBoost]、随机森林、朴素贝叶斯分类器、支持向量机、人工神经网络和逻辑回归），并采用10折交叉验证。主要模型评估指标是受试者工作特征曲线下面积（AUROC）。表现最佳的算法进一步使用术中和术后特征进行训练。
结果
在研究期间，共有33,924例患者接受了静脉曲张治疗（30,602例[90.2%]为内镜下治疗，3,322例[9.8%]为外科手术治疗），其中5,619例（16.6%）经历了1年LCI。发生主要结局的患者年龄较大，社会经济状况较差，且不太可能常规使用弹力袜。他们还表现出疾病严重程度较低，如术前VCSS、VVSymQ评分和CEAP分类较低。
最佳术前预测模型是XGBoost，AUROC（95% CI）为0.94（0.93-0.95）。相比之下，逻辑回归的AUROC（95% CI）为0.71（0.70-0.73）。XGBoost模型在术中和术后阶段的性能也有所提高，AUROC（95% CI）均为0.97（0.96-0.98）。校准图显示预测和观察到的事件概率之间有良好的一致性，Brier评分分别为0.12（术前）、0.11（术中）和0.10（术后）。在前10个预测因子中，有7个是术前特征，包括VCSS、VVSymQ评分、CEAP分类、先前的静脉曲张消融术、大隐静脉中的血栓以及深静脉反流。模型性能在所有亚组中均保持稳健。
结论
我们开发了能够准确预测CEAP C2-C4疾病患者内镜下和外科静脉曲张治疗后结果的ML模型，其性能优于逻辑回归。这些算法在指导患者治疗和围手术期风险缓解策略方面具有潜在的重要用途，以防止静脉曲张消融术后出现LCI。
参考文献：Predicting lack of clinical improvement following varicose vein ablation using machine learning
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：981686121@qq.com。
