经外周置入中心静脉导管已广泛应用于临床实践，及时识别外周置入中心静脉导管相关血栓形成风险的患者至关重要。人工神经网络已成功应用于临床事件预测的许多领域，并影响临床决策和实践。International Journal of Nursing Studies杂志发表了一项研究，开发并验证基于人工神经网络的预测外周置入中心静脉导管相关血栓形成的新型临床模型，并确定其与 logistic 回归模型相比是否可能提高预测性能。

该前瞻性队列研究在2018年1月至2021年6月期间入院化疗的经外周置入中心静脉导管的成人乳腺癌患者中进行。研究的主要结局是随访期间超声检查检测到的血栓形成。多普勒超声是初步诊断导管相关性血栓形成的首选方法（灵敏度56%~100%；特异度94%~100%）。经外周置入中心静脉导管相关血栓形成定义为经外周置入中心静脉导管所在静脉内存在任何程度的血栓形成。

采用合成少数过采样技术（SMOTE）处理不平衡类的影响。然后分别在有和无 SMOTE 的训练集上建立人工神经网络和 logistic 回归模型。在验证集上使用准确度、灵敏度、特异性和AUC评价各模型的性能。

入组1844例患者，将数据集分为训练集（N = 1497）和验证集（N = 347）。

256例（13.9%）被诊断为外周置入中心静脉导管相关血栓形成。在训练集中构建预测模型，并在验证集中进行评估。选择8个因素作为输入变量，建立人工神经网络模型。在没有 SMOTE 的情况下，人工神经网络模型（AUC = 0.725）优于 logistic 回归模型（AUC = 0.670，p = 0.039）。SMOTE 基于 AUC 改善了两种模型的性能。通过 SMOTE 采样，人工神经网络模型在所有评价模型中表现最好，AUC值在统计学上仍优于 logistic 回归模型（0.742 vs 0.675，p = 0.004）。

结果表明，人工神经网络模型能有效预测接受化疗的乳腺癌患者外周置入中心静脉导管相关性血栓形成。识别外周置入中心静脉导管相关血栓形成的高危人群可给予密切监测和适当干预。

原文出处：

Jianqin Fu, Weifeng Cai, Bangwei Zeng, et al, Development and validation of a predictive model for peripherally inserted central catheter-related thrombosis in breast cancer patients based on artificial neural network: A prospective cohort study, International Journal of Nursing Studies, 2022, https://doi.org/10.1016/j.ijnurstu.2022.104341.