苏广炎 储辉 贾军 吴薇
目的：利用可解释机器学习模型，分析创伤性下肢损伤患者游离皮瓣修复后静脉血栓（VTE）形成的
风险因素，建立可解释的风险预测模型，为临床预防和治疗创伤性下肢损伤患者游离皮瓣修复后 VTE 提供依据。
方法：选取 2020 年 3 月至 2024 年 10 月于我院接受游离皮瓣修复的 213 例创伤性下肢损伤患者作为研究对象，
根据术后 VTE 情况分为 VTE 组（n = 39 例）和无 VTE 组（n = 174 例）。收集患者下肢损伤区域、皮瓣类型
等临床资料，构建逻辑回归、决策树、随机森林、极端梯度提升等可解释性较好的机器学习模型，使用训练集
对选定的模型进行训练，通过 K-Fold 交叉验证优化模型参数。使用测试集对训练好的模型进行评估，采用曲
线下面积（AUC）、敏感度、特异度、F1 值等指标，评估模型性能。通过 Python 的 SHAP 模型解释包对模型
预测结果进行解读，明确各个风险因素对 VTE 的影响程度和方向。结果：VTE 组身体质量指数（BMI）、受
伤到覆盖的时间和合并糖尿病、合并高血压、Gustilo 分型为 IIIC、皮瓣类型为骨皮瓣、静脉流出为单静脉及受
体静脉选择浅静脉占比均高于无 VTE 组（P ＜ 0.05）。随机森林模型预测创伤性下肢损伤患者 VTE 风险具有
最高效能、性能，AUC 为 0.856，敏感度、特异度分别为 82.75%、89.40%。SHAP 模型解释性分析显示，对创
伤性下肢损伤患者游离皮瓣修复后发生VTE贡献度显著的是BMI高、Gustilo分型为IIIC、受伤到覆盖的时间长、
皮瓣类型为骨皮瓣及合并高血压。结论：基于随机森林的可解释机器学习模型，可高效识别创伤性下肢损伤患
者游离皮瓣修复后 VTE 风险，为创伤性下肢损伤患者游离皮瓣修复后 VTE 形成防治管理决策提供了有价值的
参考。
