髋部骨折主要包括股骨颈骨折和股骨转子间骨折，老年人群高发，具有费用高及病死率高的特点[1]。据研究统计，全球每年约有1 000万例髋部骨折患者[2]。随着我国老龄化加剧，该病正慢慢成为我国老龄化社会乃至全球医疗卫生的一项重大挑战[3-4]。手术是其主要治疗方法，但术后易出现低蛋白血症及肺部感染等并发症，严重影响患者康复进程与预后[5]。

低蛋白血症是术后常见的代谢紊乱性并发症[血浆总蛋白＜60 g/L或白蛋白（albumin，Alb）＜35 g/L][6]；其发生率为36.6％～67.0％，可增加术后感染风险并影响患者预后[7-10]。因此，早期识别与预防术后低蛋白血症对改善患者预后至关重要。尽管其发生与术前机体状态密切相关，但现有研究多聚焦于单因素分析，缺乏基于机器学习算法的风险预测模型，本研究旨在构建并验证一种基于术前多维度指标的老年髋部骨折术后低蛋白血症风险预测模型，以辅助临床早期识别高风险患者，并为个体化营养干预提供依据[11]。

1 对象与方法

1.1 研究对象

回顾性纳入2023年1月至2025年9月在广东省中医院骨科诊断为老年髋部骨折（含股骨颈骨折、股骨转子间骨折）并接受手术治疗的278例患者。

1.2 纳入及排除标准

纳入标准：①年龄 ≥65岁，符合《老年髋部骨折诊疗与管理指南（2022年版）》[12]中髋部骨折的诊断标准，并接受手术治疗（手术类型包括人工股骨头置换术、全髋关节置换术、股骨近端防旋髓内钉内固定术）；②术前1周内完成Alb检测，术后48～72 h内完成Alb复查，可明确判断是否发生低蛋白血症[6]；③术前已完成本研究纳入的其他实验室指标检测如血常规、炎症指标、肝肾功能、电解质、B型利钠肽（B-type natriuretic peptide，BNP）等。

排除标准：①术前已存在低蛋白血症或术前2周内接受过静脉输注Alb或输血治疗；②合并恶性肿瘤、严重肝硬化及重症胰腺炎等影响Alb合成或丢失的疾病；③病历资料关键指标缺失 ≥2项。

1.3 数据采集与分组

依据广东省中医院住院患者电子病历首页查询系统查找符合纳入标准的病历的病案号，制订名单列表，由医院电子病例系统导出列表上患者的电子病历。收集患者的一般信息及实验室指标。按照术后48～72 h内血清Alb水平分为对照组（术后非低蛋白血症）与病例组（术后低蛋白血症）。本研究为回顾性病例研究，对患者没有任何伤害，本研究已经获得广东省中医院伦理委员会的批准（ZE2025-376-01），豁免知情同意。

1.4 观察指标

收集以下三类指标：①一般资料。性别、年龄、是否存在合并症（糖尿病、脑卒中、高血压病、心脏病）。②手术相关指标。手术时长、术中出血量、手术补液、麻醉方式。③实验室指标。术前Alb、白细胞计数、中性粒细胞计数（neutrophil count，NEUT#）、血小板计数（platelet count，PLT）、红细胞计数、血小板压积、白细胞介素-6（interleukin-6，IL-6）、降钙素原（procalcitonin，PCT）、D-二聚体（D-dimer，D-D）、纤维蛋白（原）降解产物、C反应蛋白、总胆红素、直接胆红素、肌酸激酶、尿素、葡萄糖、肌酐、Na+、K+、BNP。

1.5 数据预处理

对分类变量进行独热编码，连续变量保留原始数值；所有变量均经过最小-最大归一化处理，以符合机器学习模型的输入要求。

1.6 模型构建与评估

1.6.1 特征筛选与数据集划分 首先对收集的数据进行单因素分析，筛选出差异有统计学意义（P＜0.05）的变量。进一步采用LASSO回归对变量重要性进行降序排列，结合单因素分析的结果，筛选出最终纳入模型的关键特征变量。按7∶3的比例采用分层抽样方法，将数据集划分为训练集与测试集。

1.6.2 模型构建 采用逻辑回归（logistic regression，LR）、支持向量机（support vector machine，SVM）、随机森林（random forest，RF）、决策树（decision tree，DT）、K近邻（K-nearest neighbour，KNN）、类别提升树（categorical boosting，CatBoost）、轻量级梯度提升机（light gradient boosting machine，LightGBM）和极端梯度提升（eXtreme gradient boosting，XGBoost）等8种机器学习算法构建预测模型。所有模型的超参数均通过网格搜索法进行优化，并采用10折交叉验证评估模型泛化能力与稳定性[13]。根据预定的性能指标选择最优模型作为最终预测模型。

1.6.3 模型性能评估与解释 在测试集上评估8种模型的性能，指标包括准确率、曲线下面积（area under the curve，AUC）、F1分数、精确率、灵敏度和特异度。基于综合表现选取最优模型后，进一步绘制校准曲线以评估其预测概率的准确性，采用沙普利加性解释（SHapley additive explanations，SHAP）方法进行解释性分析与可视化，以识别影响预测结果的关键特征。

1.7 统计学方法

采用R 4.5.1统计学软件进行数据分析和模型的构建验证。符合正态分布的计量资料用均数±标准差（）表示，比较采用t检验；不符合正态分布的计量资料采用中位数和四分位数[M（P25，P75）]表示，比较采用Mann-Whitney U检验。计数资料以例数（百分率）[例（%）]表示，比较采用χ2检验。受试者操作特征曲线评估模型的诊断效能。以P＜0.05为差异有统计学意义。

2 结果

2.1 患者基线特征

2.1.1 病例组与对照组一般资料比较 两组年龄及术前Alb、总胆红素、C反应蛋白、NEUT#、PLT、红细胞计数、血小板压积、IL-6、PCT、D-D、纤维蛋白（原）降解产物、Na+、BNP比较，差异有统计学意义（P＜0.05）。见表1。

表1 病例组与对照组一般资料比较

项目对照组（100例）病例组（178例）χ2/Z值P值年龄[例（％）]12.5560.00265～＜74岁40（40.00）57（32.02）74～＜84岁44（44.00）57（32.02）84～99岁16（16.00）64（35.96）性别[例（％）]0.9930.319女74（74.00）141（79.21）男26（26.00）37（20.79）合并症[例（％）]1.0260.310 有78（78.00）129（72.47）无22（22.00）49（27.53）手术时长[min，M（P25，P75）]1.08（0.75，1.49）1.07（0.75，1.50）0.4040.687术中出血量[ml，M（P25，P75）]30.00（20.00，50.00）30.00（20.00，80.00）1.2080.227手术补液[ml，M（P25，P75）]500.00（500.00，500.00）500.00（500.00，1 000.00）1.4530.146麻醉方式[例（％）]1.2790.258椎管内麻醉86（86.00）161（90.45）全身麻醉14（14.00）17（9.55）Alb[g/L，M（P25，P75）]40.00（38.75，42.90）38.20（36.60，40.20）6.071＜0.001总胆红素[μmol/L，M（P25，P75）]9.90（7.70，13.08）11.60（8.68，15.95）2.3120.021直接胆红素[μmol/L，M（P25，P75）]2.40（2.00，3.60）3.00（2.20，4.22）1.7220.085 C反应蛋白[mg/L，M（P25，P75）]9.97（3.03，32.49）17.62（4.93，45.77）2.0110.044肌酸激酶[U/L，M（P25，P75）] 106.50（71.25，151.00） 116.00（65.75，189.75）0.9650.335白细胞计数（×109/L，xˉ±s）8.91±2.559.51±2.751.8080.072 NEUT#[×109/L，M（P25，P75）]6.76（4.87，9.06）7.43（5.79，9.32）2.2640.024 PLT[×109/L，M（P25，P75）]231.00（199.50，280.25）209.50（173.00，250.75）3.0100.003红细胞计数（×1012/L，xˉ±s）4.22±0.614.03±0.632.4650.014血小板压积[％，M（P25，P75）]0.22（0.18，0.26）0.19（0.16，0.24）2.8970.004 IL-6[pg/ml，M（P25，P75）]23.10（10.91，38.28）39.95（25.52，59.38）4.993＜0.001 PCT[ng/ml，M（P25，P75）]0.06（0.04，0.09）0.07（0.05，0.12）3.1990.001

续表1

项目对照组（100例）病例组（178例）χ2/Z值P值D-D[mg/L，M（P25，P75）] 2.55（1.43，7.49）4.57（2.12，10.84）3.1080.002纤维蛋白（原）降解产物[mg/L，M（P25，P75）]9.05（4.65，27.82）15.71（6.89，42.76）3.2630.001尿素[mmol/L，M（P25，P75）]6.43（4.94，8.21）6.51（5.35，8.00）0.4470.655葡萄糖[mmol/L，M（P25，P75）]7.37（5.94，9.04）7.46（6.42，9.50）1.0660.287肌酐[μmol/L，M（P25，P75）]70.00（59.25，84.75）73.00（60.75，85.25）0.7450.456 Na+[mmol/L，M（P25，P75）]139.50（137.25，142.00）138.00（136.00，141.00）3.4570.001 K+（mmol/L，xˉ±s）4.02±0.354.02±0.400.0180.985 BNP[ng/L，M（P25，P75）]41.05（20.50，65.08）45.65（23.90，88.60）2.1710.030

注 Alb：白蛋白；NEUT#：中性粒细胞计数；PLT：血小板计数；IL-6：白细胞介素-6； PCT：降钙素原；D-D：D-二聚体；BNP：B型利钠肽。

2.1.2训练集与测试集一般资料比较 训练集与测试集基线资料比较，差异无统计学意义（P＞0.05）。见表2。

表2 训练集与测试集一般资料比较

项目训练集（194例）测试集（84例）χ2/Z值P值年龄[例（％）]1.2740.52965～＜74岁68（35.05）29（39.19）74～＜84岁71（36.60）30（40.54）84～99岁55（28.35）15（20.27）性别[例（％）]3.0150.082女144（74.23）71（84.52）男50（25.77）13（15.48）合并症[例（％）]2.2010.138有55（28.35）16（19.05）无139（71.65）68（80.95）手术时长[min，M（P25，P75）]64.50（45.00，90.00）68.50（46.50，86.25）0.0110.992术中出血量[ml，M（P25，P75）]30.00（20.00，50.00）30.00（20.00，100.00）0.0760.275手术补液[ml，M（P25，P75）]500.00（500.00，500.00）500.00（500.00，500.00）0.3470.684麻醉方式[例（％）]0.7830.376椎管内麻醉175（90.21）72（85.71）全身麻醉19（9.79）12（14.29）Alb[g/L，M（P25，P75）]38.90（37.20，41.00）39.25（37.55，40.73）0.0800.937总胆红素[μmol/L，M（P25，P75）]10.60（8.10，14.75）11.30（8.45，16.55）1.0590.290直接胆红素[μmol/L，M（P25，P75）]2.75（2.20，3.90）2.80（2.08，4.43）0.6100.542 C反应蛋白[mg/L，M（P25，P75）]15.48（3.47，44.47）13.14（4.85，32.61）0.2850.828肌酸激酶[U/L，M（P25，P75）]114.00（64.00，188.00）113.00（74.00，153.00）0.8840.823白细胞计数[×109/L，xˉ±s]9.22（7.45，11.14）8.96（7.27，10.75）1.0200.308 NEUT#[×109/L，M（P25，P75）]7.34（5.57，9.30）7.09（5.11，8.84）0.9420.346 PLT[×109/L，M（P25，P75）]222.50（180.25，260.50）208.50（176.50，261.00）1.1080.268红细胞[×1012/L，xˉ±s]4.10±0.624.09±0.650.1380.890血小板压积[％，M（P25，P75）]0.20（0.17，0.24）0.20（0.16，0.27）0.2640.792 IL-6[pg/ml，M（P25，P75）]32.40（17.10，51.20）34.80（20.52，53.62）0.5690.684 PCT[ng/ml，M（P25，P75）]0.07（0.05，0.11）0.06（0.05，0.10）1.1920.232 D-D[mg/L，M（P25，P75）] 3.07（1.75，9.01）6.11（2.04，9.75）1.7540.067纤维蛋白（原）降解产物[mg/L，M（P25，P75）]11.17（5.78，36.04）19.49（6.72，40.66）1.8210.058尿素[mmol/L，M（P25，P75）]6.43（5.26，8.07）6.69（5.30，7.97）0.6550.993葡萄糖[mmol/L，M（P25，P75）]7.41（6.12，9.31）7.61（6.56，9.69）0.9090.364肌酐[μmol/L，M（P25，P75）]73.00 （62.00，85.00）69.00（59.00，82.25）1.2300.219 Na+[mmol/L，M（P25，P75）]139.00（137.00，141.00）139.00（136.00，141.00）0.1750.861 K+（mmol/L，xˉ±s）4.04±0.383.97±0.381.3240.188 BNP[ng/L，M（P25，P75）]45.40（23.70，82.08）39.50（18.50，69.17）1.7970.167

注 Alb：白蛋白；NEUT#：中性粒细胞计数；PLT：血小板计数；IL-6：白细胞介素-6；PCT：降钙素原；D-D：D-二聚体；BNP：B型利钠肽。

2.1.3 特征筛选 采用LASSO回归方法，通过系数路径图（图1A）与10折交叉验证（图1B）确定最优λ值（1倍标准误差准则），最终筛选出16个系数非零的特征变量，包括性别及术前PCT、Alb、Na+、NEUT#等。为进一步提高模型构建的稳健性，将“2.1.1”中差异有统计学意义（P＜0.05）的变量与LASSO筛选所得变量取交集，最终纳入8个共同变量用于建模，包括年龄及术前Alb、NEUT#、PLT、IL-6、D-D、Na+和术前PCT。这些变量被认为对术后低蛋白血症具有重要预测价值。

图1 LASSO特征筛选

2.2 模型构建与性能比较

2.2.1 模型性能比较 基于筛选出的8个特征变量，比较LR、SVM、RF、DT、KNN、CatBoost、LightGBM和XG-Boost共8种机器学习算法在构建术后低蛋白血症风险预测模型中的表现。结果显示，CatBoost模型预测性能最优，其在测试集上的AUC为0.883，准确率为0.786。各模型在测试集上的性能对比见表3，受试者操作特征曲线见图2。

图2 受试者操作特征曲线

表3 模型结果比较

模型准确率AUCF1分数精确率灵敏度特异度CatBoost0.7860.8830.8570.7501.0000.400 LR0.7620.8480.8360.7500.9440.433 SVM0.7980.8400.8500.8140.8890.633 XGBoost0.7860.8340.8500.7730.9440.500 RF0.7740.8240.8380.7780.9070.533 LightGBM0.7500.8190.8170.7700.8700.533 KNN0.6910.7280.7760.7260.8330.433 DT0.5950.6430.6600.7170.6110.567

注 CatBoost：类别提升树；LR：逻辑回归；SVM：支持向量机；XGBoost：极端梯度提升；RF：随机森林；LightGBM：轻量级梯度提升机；KNN：K近邻；DT：决策树；AUC：曲线下面积。

2.2.2 校准曲线分析 模型校准曲线显示（图3），实际校准曲线（红色实线）与理想对角线（灰色虚线）存在一定偏离，尤其在预测概率为0.4～0.8时较明显，提示模型对术后低蛋白血症发生风险存在一定高估倾向。曲线整体呈单调递增趋势，显示模型仍具有一定的风险区分能力。

图3 校准曲线

2.2.3 决策曲线分析 决策曲线分析显示（图4），在0.00～0.95的阈值概率中，CatBoost模型的净获益整体高于全治疗和全不治疗策略，模型具有较好的临床决策效益。当阈值概率超过约0.65后，全治疗策略净获益逐渐降低并转为负值，而模型仍保持正向净获益，显示其在较高风险阈值下仍具有一定应用价值。

图4 模型决策曲线

2.3 SHAP可解释性分析

图5展示平均绝对SHAP值的重要性排序，其中术前IL-6与术前Alb是模型中影响力最显著的两个变量，其次为术前Na+、NEUT#等，年龄的影响程度相对最低。图6的SHAP蜂群图揭示术前IL-6水平越高，SHAP值越大，提示其可增加术后低蛋白血症发生风险；术前Alb水平越高，SHAP值越低，提示其可能具有保护作用。术前Na+、NEUT#等指标也对模型预测结果产生一定影响。

图5 特征重要性排序

图6 蜂群图

3 讨论

术后低蛋白血症是老年髋部骨折患者常见并发症，影响患者的术后康复，且增加医疗资源的损耗[14]。针对性识别并进行个体化的干预对老年骨折患者至关重要。本研究基于术前多维度指标，采用单因素分析和LASSO回归筛选8项关键变量，并构建可解释机器学习预测模型，为临床风险评估提供参考。

本研究比较多种机器学习模型后发现，CatBoost模型预测性能较优，AUC为0.883，准确率为0.786，综合表现优于其他模型。与LR模型（AUC为0.848）比较，CatBoost可处理复杂变量关系及非线性效应，更加契合髋部骨折患者病理生理过程的多因素交织特点。

本研究采用SHAP方法进行可解释性分析，结果显示，术前Alb水平是预测术后低蛋白血症的关键因素，该结果与临床认知相符。术前Alb水平可反映患者的营养状态与代谢功能。低Alb提示基础营养储备不足，手术创伤及应激反应可进一步加重蛋白质分解代谢，增加术后低蛋白血症发生风险[15]。Alb半衰期约为20 d，对于创伤、手术等因素导致的短期内Alb快速丢失与消耗，机体往往难以完成及时的代偿性调整与适应[16]。

此外，术前IL-6在预测术后低蛋白血症中贡献度较高，其水平升高与风险增加呈正相关，提示术前的系统性炎症状态可能参与术后低蛋白血症的发生[6]。老年髋部骨折后的创伤应激会激活先天免疫系统，促使IL-6等炎症因子大量释放；炎症反应一方面抑制肝脏白蛋白的合成，另一方面加剧骨骼肌等组织的蛋白质分解，从而导致低蛋白血症的发生[17-18]。

术前Na+、NEUT#、PCT等指标的影响趋势存在一定离散性，提示其作用可能受其他因素调节。例如，Na+异常常与老年患者电解质紊乱相关，可能间接影响肝脏代谢功能[19]；NEUT#与PCT则是感染与炎症程度的补充标志，其与IL-6的协同或拮抗作用可能导致预测趋势的非线性。

与既往主要依赖LR的研究比较，本研究采用LASSO回归从多维度临床特征中筛选出关键变量，有助于降低共线性影响[11,20]；同时引入SHAP可解释性分析，直观展示各因子对预测结果的影响方向与强度，增强模型的临床可解释性。临床实践中，该模型可辅助医护人员术前识别高风险患者。对术前Alb较低、IL-6升高者，可提前实施营养支持、优化围手术期管理，并加强术后Alb监测，以降低术后并发症发生风险。

然而，本研究仍存在一定局限性：首先，本研究为单中心回顾性研究，样本量较小，可能存在选择偏倚并影响模型外推性。其次，本研究未纳入合并严重肝肾功能不全等影响蛋白质代谢的患者进行亚组分析，也未充分考虑骨折类型、手术方式及术后营养支持策略的潜在影响。此外，模型校准曲线存在一定高估倾向，后续可引入代价敏感学习、合成少数类过采样技术及布里尔分数进一步优化和评价模型。未来仍需开展多中心、前瞻性研究，并纳入术后动态指标，以验证模型泛化能力。

综上所述，本研究构建老年髋部骨折患者术后低蛋白血症风险预测模型，其中CatBoost模型表现最优。SHAP分析结果显示，术前Alb和IL-6是重要预测因子。该模型可为术前风险评估和个体化干预提供参考，未来仍需通过多中心、前瞻性研究进一步验证并优化。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1] PATURSSON P，MOLLER G，THOMSEN B B，et al. Effects of postdischarge high-protein oral nutritional supplements and resistance training in malnourished surgical patients：a pilot randomized controlled trial [J]. Nutrients，2022，14（13）：16.

[2] 田楚伟，谢添，石柳，等. 中国老年髋部骨折报告2025[J].重庆医科大学学报，2025：1-12.

[3] 黄天雯，李娜，肖万莲，等. 专科护士主导的护理干预对高龄髋部骨折患者的影响[J]. 护理学杂志，2023，38（9）：45-48.

[4] 余星磊，蔡道章，张群，等. 1990—2019年中国髋部骨折疾病负担与趋势变化分析[J]. 现代预防医学，2022，49（13）：2305-2311，2316.

[5] GOH E L，KHATRI A，COSTA A B，et al. Prevalence of complications in older adults after hip fracture surgery：a systematic review and meta-analysis [J]. Bone Joint J，2025，107-B（2）：139-148.

[6] SOETERS P B，WOLFE R R，SHENKIN A. Hypoalbuminemia：pathogenesis and clinical significance [J]. JPEN J Parenter Enteral Nutr，2019，43（2）：181-193.

[7] 陈余兴，王贵. 高龄老年骨科手术患者术后低蛋白血症风险因素及预测模型[J]. 中国老年学杂志，2022，42（1）：55-59.

[8] 石利涛，赵景新. 老年髋部骨折患者术前低蛋白血症发生情况分析[J]. 东南大学学报（医学版），2020，39（6）：821-825.

[9] SHIN K H，HAN S B. Early postoperative hypoalbuminemia is a risk factor for postoperative acute kidney injury following hip fracture surgery [J]. Injury，2018，49（8）：1572-1576.

[10] YU Y，ZHENG P. Determination of risk factors of postoperative pneumonia in elderly patients with hip fracture：what can we do? [J]. PLoS One，2022，17（8）：e0273350.

[11] 郑泽炜，叶凯静，张阔，等. 全髋关节置换后的低蛋白血症：危险因素及列线图预测模型建立[J]. 中国组织工程研究，2025，29（15）：3147-3152.

[12] 中华人民共和国国家卫生健康委员会医政司. 老年髋部骨折诊疗与管理指南（2022年版）[J]. 中华创伤骨科杂志，2023，25（4）：277-283.

[13] COLLINS G S，DHIMAN P，MA J，et al. Evaluation of clinical prediction models （part 1）：from development to external validation [J]. BMJ，2024，384：e074819.

[14] RESIDORI L，BORTOLAMI O，Di FRANCESCO V. Hypoalbuminemia increases complications in elderly patients operated for hip fracture [J]. Aging Clin Exp Res，2023，35（5）：1081-1085.

[15] WIEDERMANN C J. Hypoalbuminemia as surrogate and culprit of infections [J]. Int J Mol Sci，2021，22（9）：4494.

[16] ZDOLSEK M，WUETHRICH P Y，GUNNSTROM M，et al. Plasma disappearance rate of albumin when infused as a 20% solution [J]. Crit Care，2022，26（1）：104.

[17] LU Y，LUO Y，ZHANG Q，et al. Decoding the immune landscape following hip fracture in elderly patients：unveiling temporal dynamics through single-cell RNA sequencing [J]. Immu Ageing，2023，20（1）：54.

[18] EHLE C，IYER-BIERHOFF A，WU Y，et al. Downregulation of HNF4A enables transcriptomic reprogramming during the hepatic acute-phase response [J]. Commun Biol，2024，7（1）：589.

[19] DA S F G，CATANOZI S，PASSARELLI M. Dietary sodium and nonalcoholic fatty liver disease：a systematic review [J]. Antioxidants （Basel），2023，12（3）：599.

[20] 孙钰，龚焓，缪海祥，等. 老年女性全髋关节置换术后低蛋白血症的相关因素[J]. 中国矫形外科杂志，2025，33（19）：1735-1740.

Construction of a postoperative hypoproteinemia risk prediction model for elderly hip fracture patients based on explainable machine learning algorithms

XIE Ting1 REN Wei1 HAN Li2 LI Pin2 QI Ji3 YANG Weiyi4 GUO Chengxiang4 CHEN Hongyun2

1.The Second Clinical College, Guangzhou University of Chinese Medicine, Guangdong Province, Guangzhou 510006,China; 2.the Second Department of Orthopedics, Guangdong Hospital of Traditional Chinese Medicine, Guangdong Province, Guangzhou 510120, China; 3.Department of Geriatric Fractures, Guangdong Hospital of Traditional Chinese Medicine, Guangdong Province, Guangzhou 510120, China; 4.Department of Sports Medicine, Guangdong Hospital of Traditional Chinese Medicine, Guangdong Province, Guangzhou 510120, China

[Abstract] Objective To develop a risk prediction model for postoperative hypoproteinemia in elderly patients with hip fractures based on machine learning algorithms. Methods A retrospective study was conducted involving 278 patients who underwent elderly hip fracture surgery at Guangdong Hospital of Traditional Chinese Medicine between January 2023 and September 2025. Participants were categorised into control group (100 patients) and case group (178 patients)based on the occurrence of postoperative hypoproteinemia. After predictive variables were screened by univariate analysis and LASSO regression, the samples were randomly split into training set and test set at a ratio of 7∶3. Eight machine learning algorithms such as logistic regression, support vector machine, random forest, decision tree, K-nearest neighbour, categorical boosting, light gradient boosting machine,and eXtreme gradient boosting were established using R 4.5.1 software, and the predictive performances were compared. The optimal model was selected, and its calibration degree was verified using calibration curves. A feature importance analysis of the model was then conducted using the SHapley additive explanations (SHAP) method. Results The age, preoperative albumin (Alb), total bilirubin, preoperative C-reactive protein, preoperative neutrophil count, preoperative platelets count, preoperative red blood cells count,preoperative platelet hematopoietic pressure, preoperative interleukin-6 (IL-6), preoperative procalcitonin, preoperative D-dimer, preoperative fibrin degradation products, Na+, and B-type natriuretic peptide between the two groups compared, the difference were statistically significant (P＜0.05). Comparison of the models showed that the categorical boosting had the optimal predictive performance, with an area under the curve of 0.883 and an accuracy of 0.786. SHAP analysis indicated that preoperative Alb and IL-6 were the key factors influencing the prediction of postoperative hypoproteinaemia. Conclusion Combined with LASSO regression and univariate analysis, eight key features are selected to establish the prediction model. Of which, the risk prediction model built by categorical boosting machine learning algorithm exhibits the best predictive performance and has a good potential for clinical application. Preoperative Alb and IL-6 are the key variables that affect the prediction, however they could be as references in early identification of the highrisk patients and formulation of individualised intervention strategies for preventing postoperative hypoproteinaemia.

[Key words] Hip fracture; Hypoproteinaemia; Prediction model; Machine learning

[中图分类号] R619.9

[文献标识码] A

[文章编号] 1673-7210（2026）06（c）-0007-08

DOI：10.20047/j.issn1673-7210.25112024

[基金项目] 国家自然科学基金资助项目（81974574）；广东省中医院院内专项项目（YN2023WSSQ08）。

[作者简介]

谢婷（2001.5-），女，广州中医药大学第二临床医学院2024级护理专业在读硕士研究生；研究方向：围手术期护理。

[通讯作者] 陈红云（1975.6-），女，主任护师，广东省中医院骨二科护士长；研究方向：围手术期护理、快速康复。

（收稿日期：2025-11-25）

（修回日期：2026-02-04）