心房細動のアブレーション中に急性心臓タンポネードのリスク予測のための説明可能な機械学習

科学分野:

• 心臓病学 心臓病学
• 医療情報工学 医療情報工学
• 医療における機械学習

背景:

• 心臓タンポネード (Cardiac tamponade) は,心房細動 (AF) カテーテル除去の希少だが重篤な合併症である.
• この合併症を予測することは,多数の影響要因のために困難です.

研究 の 目的:

• AFカテーテル切除中の心臓タンポネードを予測するための機械学習 (ML) モデルを開発し,解釈する.
• リスクの階層化と手続きの安全性の向上のための主要な予測要因を特定する.

主な方法:

• AFカテーテル切除を受けた1481人の患者の遡及的分析.
• 予測者の識別のためにLASSO回帰を利用し,8つのMLアルゴリズムをトレーニングしました.
• クロス・バリデーションを使用してモデルを評価し,SHAP分析で最良のモデルを解釈しました.

主要な成果:

• XGBoostモデルは優れたパフォーマンスを示しました (AUC 0.972 訓練,0.908 検証).
• 主な予測要因は,オペレータの経験,D-ダイマー,ヘパリン用量,AF型,左心房直径を特定した.
• このモデルは,強い差別的な能力と解釈性を示した.

結論:

• 解釈可能なXGBoostモデルは,AF除去中に心臓タンポネードを効果的に予測することができます.
• 安全性を高めるために,手術前リスク評価と手術中の管理をサポートします.
• 汎用性を確認するために,外部検証が必要です.