随着经皮血管成形术的广泛应用，手术量急剧增加，医源性假性动脉瘤发生率也随之上升［1］。假性动脉瘤在股动脉穿刺后的发生率约为2.2%［2］。假性动脉瘤可引发破裂、感染、压迫周围血管和神经等严重并发症，给患者带来极大的健康风险［3］。因此，及时有效的治疗对改善患者预后至关重要。超声引导下注射凝血酶治疗假性动脉瘤（ultrasoundguided thrombin injection，UGTI）是一种微创、高效的治疗方法，通过将凝血酶注入瘤腔促使血栓形成，从而封闭瘤颈、阻断血流［4］。与传统的压迫疗法相比，UGTI 具有操作时间短、成功率高等优势，已成为临床治疗假性动脉瘤的首选方法［5］。
尽管UGTI 治疗假性动脉瘤具有显著的优势，但如何精准确定凝血酶的使用剂量依然是临床医师面临的挑战。目前，临床实践中凝血酶剂量的选择多依赖医师的经验。然而，患者的个体差异（如瘤腔大小、瘘管长度、破口处血流速度等）以及凝血功能的差异，使得经验剂量难以满足所有患者的需求。过低的剂量可能导致治疗失败，增加假性动脉瘤复发的风险；而过高的剂量则可能引发远端动脉栓塞等严重并发症。因此，实现个体化的凝血酶剂量选择，对于提高UGTI的治疗效果和安全性具有重要意义。近年来，随着机器学习技术的快速发展，基于数据驱动的预测模型在医学领域的应用逐渐增多［6］。LightGBM（Light Gradient Boosting Machine）作为一种高效的梯度提升算法，能够处理高维度数据，并在分类和回归任务中表现出色［7］。本研究旨在通过分析影响凝血酶使用剂量的关键因素，构建基于LightGBM 算法的凝血酶剂量预测模型，为临床提供科学依据，助力精准个体化治疗。
资料与方法
一、对象
本研究回顾分析了2018 年1 月至2024 年12月期间，在南京医科大学第一附属医院接受腹股沟区经皮血管介入穿刺术后，由超声检查确诊为假性动脉瘤的患者84 例。纳入标准：（1）患者自愿选择UGTI 治疗假性动脉瘤或单纯压迫治疗无效的患者；（2）入组患者经UGTI 治疗后均成功治愈，无复发。排除标准：（1）超声或临床资料缺乏；（2）术区存在动静脉瘘及其他复杂血管病变。本研究经南京医科大学第一附属医院伦理委员会批准（伦审号：2020-SR-240），并严格遵循《赫尔辛基宣言》的伦理准则。患者签署书面知情同意书后接受UGTI 治疗，患者入组流程及研究路线图见图1。
二、仪器与方法
1.收集患者的基本信息：记录患者性别、年龄、是否合并高血压、是否使用抗血小板或抗凝药物等；并记录患者UGTI 治疗前凝血功能指标，包括凝血酶原时间（prothrombin time，PT）、国际标准化比值（international normalized ratio，INR）、活化部分凝血活酶时间（activated partial thromboplastin time，APTT）、纤维蛋白原（flbrinogen，FIB）、凝血酶时间（thrombin time，TT）、D-二聚体（D-dimer，DD2）。
2.假性动脉瘤超声特征收集：采用美国GE LOGIQ E9 超声诊断仪及高频9L 线阵探头（频率 5 ～9 MHz），选择下肢静脉（lower extremity veins，LEV）模式进行操作。患者采用仰卧位，患肢伸直，充分暴露腹股沟术区。术前常规对股动脉穿刺处进行二维超声及彩色多普勒血流成像（color Doppler flow imaging，CDFI）检查，观察假性动脉瘤动脉破口位置，测量有效的瘤腔大小（长径和短径）、破口内径及瘘管长度，测量示意图见图2。脉冲多普勒（pulsed wave Doppler，PW）于破口处可探及高速正负双向动脉频谱，测量破口处峰值流速（peak systolic velocity，PSV）。
3.UGTI 治疗过程：在常规消毒铺巾后，确认合适的进针路径。使用凝血酶冻干粉溶于生理盐水中形成不同浓度的凝血酶冻干粉生理盐水混悬液。超声引导下采用5 ml 注射器穿刺假性动脉瘤，确认针尖到达瘤体内合适位置后，探头压迫假性动脉瘤，至瘤体体积缩小，瘤体内血流明显减少或无明显血流后，快速注入适量凝血酶冻干粉生理盐水混悬液。在注射过程中，通过二维超声及CDFI 实时动态监测瘤体内血栓形成情况。在瘤内形成血栓的同时，缓慢释放加压探头，直至假性动脉瘤完全回复且瘤内充满血栓，CDFI 确认瘤体内无血流后拔出注射器。术后再次确认瘤体内无血流信号，同时确认足背动脉搏动良好。记录凝血酶使用的剂量及浓度。术后嘱患者卧床休息1 ～2 d，避免患肢过度屈曲压迫瘤体，以免瘤体内的新鲜血栓被挤压出瘤腔进入动脉内，引起远端动脉栓塞。患者术后1、3、6 个月定期行超声随访复查（图3）。
三、数据处理及模型构建与评估
根据凝血酶使用的不同剂量，以500 IU 和1000 IU 为界，将患者分为低剂量组（＜500 IU）、中剂量组（≥500 IU 且＜1000 IU）和高剂量组（≥1000 IU）。为了对比不同算法的预测性能，本研究使用Python 软件（3.7.13 版），分别构建了基于Logistic 和LightGBM 算法的凝血酶使用剂量预测模型。在模型构建阶段，数据集按8：2 的比例进行随机分层抽样，划分为训练集和验证集。采用五折交叉验证结合网格搜索优化LightGBM 的关键参数，并基于筛选后的特征构建三分类（低、中、高剂量）模型。模型性能通过总体准确率、曲线下面积（area under curve，AUC）、召回率（Recall）和F1 分数等指标进行评估。其中，召回率反映了模型正确识别某类样本的能力，而F1 分数是精确率（Precision）和召回率的调和平均数，能够平衡模型在类别不均衡数据上的表现。为了全面评估模型性能，本研究还评估了宏平均（Macro-average）和微平均（Micro-average）：宏平均对每个类别（低、中、高剂量组）单独计算指标后取算术平均，适合评估模型在各类别上的均衡性；而微平均将所有类别的预测结果汇总后计算整体指标，更适合处理类别不均衡的数据。微平均能更准确地反映模型在整体样本上的性能，避免小样本类别（如高剂量组）对结果的过度影响。此外，通过绘制ROC 曲线，进一步分析模型对不同剂量的分类效能。
四、统计学分析
使用SPSS 25.0 软件对数据进行统计分析。所有统计检验的显著性水平（α）设定为0.05。正态性检验采用Shapiro-Wilk 方法。符合正态分布的计量资料采用
±s 表示，不同剂量组间比较采用单因素方差分析（ANOVA）检验；不符合正态分布的计量资料采用M（Q1，Q3）表示，不同剂量组间比较采用Kruskal-Wallis 检验。计数资料采用例（%）表示，不同剂量组间比较根据样本量和理论频数选择χ2 检验或Fisher 精确检验。
±s 表示，不同剂量组间比较采用单因素方差分析（ANOVA）检验；不符合正态分布的计量资料采用M（Q1，Q3）表示，不同剂量组间比较采用Kruskal-Wallis 检验。计数资料采用例（%）表示，不同剂量组间比较根据样本量和理论频数选择χ2 检验或Fisher 精确检验。五、数据可用性声明
本研究使用的数据为南京医科大学第一附属医院的临床数据，涉及患者隐私，因此不公开共享。如有合理的研究需求，可联系通信作者获取部分匿名化数据。数据使用需遵守相关法律法规及伦理要求，并签署数据使用协议。
结 果
一、患者基本信息
本研究共纳入84 例患者，年龄范围为23 ～80 岁，平均年龄为（60.46±12.25）岁。根据凝血酶使用剂量的不同，将患者分为低剂量组30 例、中剂量组36 例及高剂量组18 例。按8：2 的比例将患者分为训练集67 例，验证集17 例。训练集不同剂量的3 组间临床基本资料比较，瘤腔长径和短径差异有统计学意义（P 均＜0.05），余资料差异均无统计学意义（P 均＞0.05，表1）。
表1 假性动脉瘤患者训练集不同凝血酶剂量的3 组间临床资料比较 |
| 临床资料 | 低剂量（n=24） | 中剂量（n=26） | 高剂量（n=17） | 统计值 | P 值 |
|---|---|---|---|---|---|
| 瘤腔长径（mm， ±s） | 21.89±8.69 | 27.83±9.09 | 37.17±11.13 | F=12.86 | ＜ 0.001 |
| 瘤腔短径（mm， ±s） | 13.06±5.94 | 15.85±4.77 | 18.42±5.24 | F=5.11 | 0.009 |
| 浓度［IU/ml，M（ Q1，Q3）］ | 500.00（400.00，541.67） | 500.00（500.00，500.00） | 500.00（500.00，500.00） | Z=2.33 | 0.312 |
| 年龄［ 岁，M（ Q1，Q3）］ | 62.00（56.00，68.00） | 60.50（55.50，67.00） | 63.00（58.00，72.00） | Z=1.05 | 0.591 |
| 瘘管长度［mm，M（ Q1，Q3）］ | 4.00（2.08，10.46） | 2.55（2.02，4.90） | 2.90（1.70，7.40） | Z=3.93 | 0.140 |
| 破口内径［mm，M（ Q1，Q3）］ | 2.10（1.65，2.85） | 2.10（1.64，2.80） | 2.20（1.80，3.00） | Z=0.54 | 0.762 |
| PSV［cm/s，M（ Q1，Q3）］ | 170.95（118.75，300.00） | 195.00（109.00，296.27） | 201.10（170.00，250.00） | Z=0.27 | 0.873 |
| PT［s，M（ Q1，Q3）］ | 11.80（11.67，16.18） | 12.65（11.60，14.80） | 12.70（11.70，13.90） | Z=0.03 | 0.984 |
| INR［M（ Q1，Q3）］ | 1.02（1.01，1.31） | 1.10（1.01，1.31） | 1.11（1.02，1.22） | Z=0.42 | 0.809 |
| APTT［s，M（ Q1，Q3）］ | 30.20（27.65，35.38） | 30.20（27.27，34.70） | 29.40（27.80，33.20） | Z=0.04 | 0.981 |
| FIB［g/L，M（ Q1，Q3）］ | 2.56（2.11，3.53） | 2.44（2.15，3.04） | 2.83（2.38，3.08） | Z=1.28 | 0.527 |
| TT［s，M（ Q1，Q3）］ | 17.25（16.75，17.72） | 17.30（16.65，18.05） | 17.90（17.30，18.30） | Z=4.54 | 0.103 |
| DD2［mg/L，M（ Q1，Q3）］ | 0.27（0.15，0.47） | 0.33（0.13，1.18） | 0.19（0.12，0.24） | Z=2.69 | 0.261 |
| 性别［ 例（%）］ | χ 2=0.62 | 0.735 | |||
| 男 | 14（58.33） | 15（57.69） | 8（47.06） | ||
| 女 | 10（41.67） | 11（42.31） | 9（52.94） | ||
| 抗凝药［ 例（%）］ | - | 0.761 | |||
| 未使用 | 11（45.83） | 13（50.00） | 6（35.29） | ||
| 使用1 种 | 12（50.00） | 13（50.00） | 10（58.82） | ||
| 使用2 种 | 1（4.17） | 0（0.00） | 1（5.88） | ||
| 抗血小板药［ 例（%）］ | - | 0.996 | |||
| 未使用 | 12（50.00） | 14（53.85） | 9（52.94） | ||
| 使用1 种 | 7（29.17） | 7（26.92） | 4（23.53） | ||
| 使用2 种 | 5（20.83） | 5（19.23） | 4（23.53） | ||
| 高血压［ 例（%）］ | χ 2=0.31 | 0.855 | |||
| 否 | 10（41.67） | 10（38.46） | 8（47.06） | ||
| 是 | 14（58.33） | 16（61.54） | 9（52.94） |
注：PSV 为破口处峰值流速；PT 为凝血酶原时间；INR 为国际标准化比值；APTT 为活化部分凝血活酶时间；FIB 为纤维蛋白原；TT 为凝血酶时间；DD2 为D-二聚体；-为Fisher 检验无统计值 |
二、构建Logistic 凝血酶剂量预测模型
基于训练集患者的特征进行有序Logistic 回归分析，结果表明只有瘤腔的长径［（28.07±11.09）mm，OR（95%CI）：1.12（1.06 ～1.18）］ 与 短径［（15.50±5.65）mm，OR（95%CI）：1.15（1.05 ～1.25）］差异有统计学意义（P 均＜0.01，表2）。基于有序Logistic 分析中P＜0.05 的变量构建Logistic 回归模型［y = 2.469287829680699-0.073051×D1（长径）-0.023457×D2（短径）］。结果表明，基于Logistic 算法的凝血酶剂量预测模型在训练集和验证集中的分类准确率分别为0.552和0.588。在训练集中，Logistic 回归模型的总体准确率为0.677，微平均AUC 为0.744（95% CI：0.674 ～0.815）。模型的微平均召回率为0.776，微平均F1 分数为0.615。从ROC 曲线可以看出，模型在训练集中的分类性能较为一般，尤其是在低剂量组（AUC=0.735）和中剂量组（AUC=0.630）的区分能力较弱。在验证集中，Logistic 回归模型的总体准确率为0.686，微平均AUC 为0.758（95%CI：0.624 ～0.891）。模型的微平均召回率为0.882，微平均F1 分数为0.652。尽管验证集的AUC 和召回率较训练集有所提升，但模型在中剂量组（AUC=0.671）的分类误差仍然较高（图4，表3）。
表2 假性动脉瘤患者凝血酶使用剂量影响因素的有序Logistic 回归分析 |
| 参数 | 回归系数 | 标准误 | Wald χ 2 值 | P 值 | OR（95%CI） |
|---|---|---|---|---|---|
| 性别 | |||||
| 男性 | 1.00（Reference） | ||||
| 女性 | 0.30 | 0.46 | 0.66 | 0.510 | 1.35（0.55 ～ 3.30） |
| 抗凝药物 | |||||
| 不使用 | 1.00（Reference） | ||||
| 使用1 种 | 0.25 | 0.46 | 0.54 | 0.592 | 1.28（0.52 ～ 3.14） |
| 使用2 种 | 0.38 | 1.57 | 0.24 | 0.808 | 1.47（0.07 ～ 32.14） |
| 抗血小板药物 | |||||
| 不使用 | 1.00（Reference） | ||||
| 使用1 种 | -0.19 | 0.54 | -0.36 | 0.718 | 0.82（0.29 ～ 2.36） |
| 使用2 种 | 0.03 | 0.59 | 0.05 | 0.962 | 1.03（0.32 ～ 3.26） |
| 高血压 | |||||
| 无 | 1.00（Reference） | ||||
| 有 | -0.13 | 0.46 | -0.27 | 0.784 | 0.88（0.36 ～ 2.17） |
| 浓度 | 0.00 | 0.00 | -0.13 | 0.489 | 1.00（1.00 ～ 1.00） |
| 年龄 | 0.00 | 0.02 | 0.23 | 0.820 | 1.00（0.97 ～ 1.04） |
| 瘤腔长径 | 0.11 | 0.03 | 4.18 | ＜0.001 | 1.12（1.06 ～ 1.18） |
| 瘤腔短径 | 0.14 | 0.05 | 3.04 | ＜0.001 | 1.15（1.05 ～ 1.25） |
| 破口内径 | 0.15 | 0.22 | 0.66 | 0.512 | 1.16（0.75 ～ 1.80） |
| 瘘管长度 | -0.02 | 0.04 | -0.71 | 0.475 | 0.98（0.91 ～ 1.04） |
| PSV | 0.00 | 0.00 | 0.17 | 0.863 | 1.00（1.00 ～ 1.00） |
| PT | -0.03 | 0.03 | -1.16 | 0.247 | 0.97（0.92 ～ 1.02） |
| INR | -0.14 | 0.41 | -0.33 | 0.741 | 0.87（0.39 ～ 1.96） |
| APTT | 0.00 | 0.01 | 0.03 | 0.974 | 1.00（0.98 ～ 1.02） |
| FIB | -0.06 | 0.27 | -0.22 | 0.829 | 0.94（0.55 ～ 1.61） |
| DD2 | 0.16 | 0.18 | 0.94 | 0.350 | 1.18（0.84 ～ 1.66） |
| TT | 0.01 | 0.01 | 0.92 | 0.359 | 1.01（0.99 ～ 1.04） |
注：PSV 为破口处峰值流速；PT 为凝血酶原时间；INR 为国际标准化比值；APTT 为活化部分凝血活酶时间；FIB 为纤维蛋白原；TT 为凝血酶时间；DD2 为D-二聚体 |
表3 Logistic 凝血酶剂量预测模型在训练集和验证集的诊断性能比较 |
| 组别 | 例数 | 准确性 | AUC | 95%CI | 敏感度 | 特异度 | 阳性预测值 | 阴性预测值 | 精确度 | 召回率 | F1 分数 | 阈值 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 训练集 | 67 | 0.677 | 0.744 | 0.674 ～ 0.815 | 0.776 | 0.627 | 0.510 | 0.848 | 0.510 | 0.776 | 0.615 | 0.365 |
| 验证集 | 17 | 0.686 | 0.758 | 0.624 ～ 0.891 | 0.882 | 0.588 | 0.517 | 0.909 | 0.517 | 0.882 | 0.652 | 0.295 |
注：AUC 为曲线下面积；CI 为置信区间；表格中结果均为微平均值 |
三、构建LightGBM 凝血酶剂量预测模型
本研究进一步基于LightGBM 算法构建了凝血酶剂量预测模型。基于LightGBM 算法内置的特征重要性评估方法（以“分裂次数”为指标），计算各特征对剂量分类的贡献度。最终保留重要性评分高的特征（评分≥10），剔除低贡献特征（性别、抗血小板药物使用情况、高血压）。最终纳入的特征包括超声特征（瘤腔长径、短径、瘘管长度、破口内径、PSV）、凝血功能指标（PT、APTT、FIB）及临床特征（年龄）。
LightGBM 为决策树结构，预测公式基于梯度提升框架，通过累加所有树的叶子节点值来得到最终预测值。最终模型的预测值为所有树的预测值之和，公式如下：
其中
是样本xi 的预测概率分布；η=0.1 为学习率；f j（ xi）是在第j 棵树的输出；M=100为树的总数。
是样本xi 的预测概率分布；η=0.1 为学习率；f j（ xi）是在第j 棵树的输出；M=100为树的总数。结果表明，基于LightGBM 算法的凝血酶剂量预测模型在训练集和验证集中均表现出较好的分类性能，微平均准确率分别为0.930 和0.804。在训练集中，模型的低剂量、中剂量及高剂量组的AUC 分别为0.972、0.952 及0.992，微平均AUC达到0.975（95%CI：0.955 ～0.995），表明模型在训练集中对各剂量组的区分能力较强。此外，微平均召回率为92.5%，微平均F1 分数为0.899。在验证集中，LightGBM 模型的分类性能较训练集有所下降，但仍表现出一定的泛化能力。模型的低剂量、中剂量及高剂量组的AUC 分别为0.818、0.843 及0.938， 微平均AUC 为0.872（95%CI：0.766 ～0.978），微平均召回率为76.5%，微平均F1 分数为0.722（表4，图5）。
表4 LightGBM 凝血酶剂量预测模型在训练集和验证集的诊断性能比较 |
| 组别 | 例数 | 准确性 | AUC | 95%CI | 敏感度 | 特异度 | 阳性预测值 | 阴性预测值 | 精确度 | 召回率 | F1 分数 | 阈值 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 训练集 | 67 | 0.930 | 0.975 | 0.955 ～ 0.995 | 0.925 | 0.933 | 0.873 | 0.962 | 0.873 | 0.925 | 0.899 | 0.353 |
| 验证集 | 17 | 0.804 | 0.872 | 0.766 ～ 0.978 | 0.765 | 0.824 | 0.684 | 0.875 | 0.684 | 0.765 | 0.722 | 0.359 |
注：AUC 为曲线下面积；CI 为置信区间；表格中结果均为微平均值 |
讨 论
UGTI 充分利用了超声实时、动态监测的优势，具有安全、有效等优点，已成为临床治疗四肢动脉假性动脉瘤的首选方法［8,9］。UGTI 的治疗原理是利用凝血酶的正反馈机制：外源性凝血酶与瘤腔内新鲜血液接触后，促使纤维蛋白原转化为纤维蛋白，并与活化状态的凝血因子Ⅷ及钙离子相互作用，使纤维蛋白单体聚合［10,11］，这一酶促反应过程在假性动脉瘤腔内几乎是瞬间形成血栓，并封堵瘤颈，有效地阻断动脉破口处的血流溢出，从而达到栓塞治疗的目的。同时，UGTI 对全身凝血系统的影响较小。与单纯压迫相比，UGTI 具有更好的封堵效果［12］，操作时间显著短于超声引导下单纯压迫，且复发率明显降低［13］。本研究创新性地通过LightGBM 算法构建了凝血酶剂量预测模型，综合考虑患者的临床特征和超声检查结果，分析影响凝血酶使用剂量的关键因素，实现个体化的凝血酶剂量预测。与传统的经验性剂量选择相比，本模型能够更精准地预测剂量组别，减少剂量不足或过量带来的风险，为实现UGTI 的精准化和个体化治疗提供了重要参考。
传统的医学统计学研究中，Logistic 模型是最为广泛使用的工具之一［14］。本研究首先构建了Logistic 模型，结果显示其在训练集的分类性能较为有限。尽管Logistic 模型在验证集中的AUC 和召回率有所提升，但其总体分类准确率仍然较低，表明该模型在凝血酶剂量预测中的应用存在一定局限性。尤其是在验证集中，中剂量组的AUC 为0.671，说明Logistic 模型在中剂量组分类误差较大，难以有效区分中剂量组与其他剂量组。
本研究进一步探讨了LightGBM 算法在凝血酶剂量预测中的应用价值。LightGBM 作为一种基于梯度提升框架的高效机器学习算法，特别适合处理大规模、高维度数据［15］。与Logistic 模型相比，LightGBM 能够捕捉复杂的非线性关系，从而在分类任务中表现出更强的性能［16］。LightGBM自2017 年由 Microsoft 亚洲研究院团队提出以来，已广泛应用于疾病的诊疗或预测等相关领域［17］。Liu 等［18］ 研究表明，基于LightGBM 构建的诊断模型能有效提升在不平衡数据集上的性能表现。本研究结果显示，基于LightGBM 构建的凝血酶剂量预测模型在三分类任务中表现出较好的性能，在训练集中微平均AUC 为0.975（95%CI：0.955 ～0.995），表明模型对剂量组别的区分能力较强。在验证集中，微平均AUC 为0.872（95%CI：0.766 ～0.978），提示模型具有一定的泛化能力。除此之外，训练集AUC（0.975）高于验证集（0.872），提示模型可能存在过拟合，这可能与样本量有限有关。尽管LightGBM 模型在验证集中的性能较训练集有所下降，但其微平均AUC（0.872）和F1 分数（0.722）仍显著优于Logistic 模型（AUC=0.758，F1=0.652）。验证集中基于LightGBM 模型的三组分类的曲线下面积（低剂量组：0.818，中剂量组：0.843，高剂量组：0.938）较Logistic 模型（低剂量组：0.682，中剂量组：0.671，高剂量组：0.875）更为稳定，尤其是在中剂量组的分类性能上，LightGBM 模型显著优于Logistic 模型。这表明LightGBM 模型在处理本研究的数据时具有更强的适应性和分类能力。未来将通过进一步扩大样本量、纳入多特征等方法提升模型价值。
此外，通过特征重要性分析发现，假性动脉瘤的瘤腔大小、瘘管长度以及破口处的PSV 是该凝血酶剂量预测模型的关键因素。这些特征与假性动脉瘤的病理生理机制高度相关。瘤腔越大，所需凝血酶的剂量越高，而瘘管长度和PSV 则直接影响瘤颈的封堵效果。这与文献报道相符，假性动脉瘤的大小与凝血酶注射成功率相关，假性动脉瘤最大直径小于24 mm 是手术成功的预测因子［19］。因此，在术前超声检查中，应重视这些特征，充分评估，以便更精确地预测凝血酶的使用剂量。
凝血酶的使用剂量和浓度是决定UGTI 治疗安全性与有效性的关键因素。由于患者的个体差异、假性动脉瘤瘤体特征的不同，以及缺乏统一的剂量标准和临床指南，使得临床医师在选择最佳剂量时缺乏明确依据［20,21］。本研究将患者分为低剂量组（＜500 IU）、中剂量组（≥500IU，＜1000 IU）和高剂量组（≥1000 IU）。虽然本研究LightGBM模型在剂量分类上表现良好，但未对凝血酶浓度与并发症发生关系展开探讨。文献报道显示，低浓度凝血酶混悬液可能因凝血酶剂量不足导致瘤腔未完全封堵，从而增加假性动脉瘤复发的风险；而高浓度凝血酶则可能因药液溢出瘤腔并经瘤颈进入股动脉，引发远端动脉栓塞［22］。Olsen 等［23］研究建议，在维持低浓度的情况下，可适当增加注入假性动脉瘤的体积量。本研究中，所有入组患者均使用了不同浓度的凝血酶，未观察到明显的并发症。但由于研究样本量有限，尚不足以全面评估不同剂量和浓度下的临床风险。因此，未来需要开展更大规模、多中心的研究，以进一步验证凝血酶使用浓度对治疗安全性与效果的影响，为剂量分层治疗提供更科学的指导依据。
尽管本研究的模型在训练集和验证集中均表现良好，但仍存在一定局限性。首先，模型使用的特征变量数量较少，可能限制了预测能力。未来研究应进一步扩展特征集，探索更多可能影响凝血酶剂量的临床变量。其次，本研究仅基于单中心数据集，样本量有限，模型的泛化能力尚待进一步验证。未来可引入多中心数据集进行验证，通过增加数据量、改善数据质量，并结合多中心验证提升模型的准确性和适用性。