使用新型机器学习算法对儿科心脏移植患者的生存分析:UNOS分析
Awais Ashfaq1, Geoffrey M Gray2, Jennifer Carapelluci3
1From the Cardiovascular Surgery, Heart Institute, Johns Hopkins All Children's Hospital, St. Petersburg, Florida.
概括
机器学习模型有效预测小儿心脏移植后的一年死亡率. 随机森林模型表现最好,识别了比利鲁宾水平和BMI等关键风险因素,以改善生存预测.
科学领域:
- 心脏病学 心脏病学
- 儿科医学 儿科医学
- 移植科学 移植科学
- 在医疗保健中的数据科学.
背景情况:
- 心脏移植后1年死亡率的移植前风险因素尚未得到充分了解.
- 需要为儿科心脏移植结果提供预测模型.
研究的目的:
- 确定临床相关的心脏移植前风险因素,用于儿童心脏移植接受者的1年死亡率.
- 开发和评估机器学习模型,用于预测儿科心脏移植后的一年死亡率.
主要方法:
- 利用来自美国器官共享网络数据库 (2010-2020年) 的数据,用于接受首次心脏移植的儿科患者 (0-17岁).
- 采用机器学习算法 (Scikit-Learn,Scikit-Survival,Tensorflow) 与专家和基于文献的功能选择.
- 使用N次重复的k倍交叉验证验证模型和与一致性指数 (C指数) 评估性能.
主要成果:
- 机器学习模型在预测1年死亡率方面表现优于传统的考克斯比例危险模型.
- 随机森林模型获得了最高的C指数 (0.68),这表明预测准确度更高.
- 确定的关键预测因素包括血清总 bilirubin,旅行距离,体重指数,捐赠者 SGPT/ALT 和捐赠者 PCO2.
结论:
- 机器学习和专家驱动方法的结合有效地预测了儿科心脏移植中的1年和3年生存结果.
- 沙普利添加式扩展 (SHAP) 对于理解生存预测模型中的复杂相互作用可能是有价值的.
