开发和验证可解释的机器学习模型,用于跨导管大动脉植入中的死亡风险:TAVI风险机器得分

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 准确的风险分层对于优化患者选择和在跨导管大动脉植入 (TAVI) 中的术后护理至关重要.
• 当前的风险评估工具可能无法充分捕捉TAVI后患者结果的复杂性.
• 需要客观的标准来支持个性化的决策,以便在TAVI之后快速放电.

研究的目的:

• 开发和验证基于机器学习的风险评分,用于预测TAVI后的30天死亡率.
• 将这些新的得分与现有的传统风险计算器的性能进行比较.

主要方法:

• 一个随机森林机器学习模型是使用来自德国大动脉门注册表的数据开发的.
• 该模型被简化为TAVI风险机器 (TRIM) 评分 (TRIMpre和TRIMpost).
• 该算法经过训练,交叉验证,并在包括瑞士TAVI注册表在内的独立患者队列上进行外部验证.

主要成果:

• 与胸部外科医生协会 (STS) 评分相比,TRIMpost评分显示了30天死亡率的优异预测性能 (C-统计0.79对0.69).
• 一个缩短的版本,aTRIMpost,也显示出明显更好的表现比传统的分数 (C-统计 0.74).
• 外部验证证实了TRIMpost在预测TAVI结果方面比STS的表现优越.

结论:

• 在TAVI之前和之后,TRIM分数提供了一种可靠和准确的风险估计方法.
• 这些分数可以加强标准化和客观的临床决策,当与临床判断一起使用时.
• 对TAVI程序进行个性化风险评估方面,TRIM评分的发展是一个重大进步.