医疗痛点催生AI诊断新需求
下肢深静脉血栓（DVT）作为静脉血栓栓塞症（VTE）的主要表现形式，全球每年约有770万患者需要接受检查，其中80岁以上人群发病率高达千分之三至十二。该疾病不仅导致每年约83.4万人的死亡，更使30%至50%的幸存者面临长期后遗症风险。当前诊断流程高度依赖专业放射科医生操作超声设备，导致患者等待时间过长，大量疑似病例在等待期间接受不必要的抗凝治疗，增加了出血风险。这种医疗资源分配不均的问题在医疗资源匮乏地区尤为突出，亟需一种能够由非专业人士操作的快速诊断工具。
机器学习技术实现精准辅助
研究团队开发了一套基于深度学习的超声图像自动分析系统，通过训练255名志愿者的超声视频数据，成功实现了非专家操作下的DVT诊断。该系统在牛津大学血液病与血栓中心及德国两家诊所的53名和30名前瞻性患者中进行了验证。实验结果显示，算法诊断的敏感度达到82%至94%，特异度为70%至82%，阴性预测值高达99%至100%。这意味着系统能够有效排除血栓病例，大幅降低误诊率，同时为医疗工作者提供实时操作指导。
成本效益验证推动临床应用
研究团队对技术整合后的临床决策路径进行了全面成本效益分析。在每例检查软件支持成本不超过72至175英镑的情况下，假设每质量调整生命年支付意愿为2万英镑，该系统预计将产生显著的正向净货币收益。这一发现表明，AI辅助诊断不仅具有技术可行性，更在经济层面具备推广价值。未来，该技术有望在基层医疗机构、养老院及家庭护理场景中广泛应用，彻底改变深静脉血栓的诊断模式。
