通过使用行政数据和机器学习来预测跨导管大动脉置换后的住院死亡率

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 过导管大动脉置换 (TAVR) 是症状大动脉狭窄症的标准治疗方法.
• 目前用于医院内TAVR后死亡率的风险预测工具的准确性有限,仅使用手术前或术后数据.
• 这种限制阻碍了它们在手术前决策中的使用.

研究的目的:

• 评估统计和机器学习模型在预测TAVR后住院结果 (死亡/生存) 中的准确性.
• 为了确定仅在国家住院患者样本数据库中的术前数据上训练的模型是否可以达到足够的预测准确度.
• 确定TAVR患者手术前风险分层的最佳模型.

主要方法:

• 利用国家住院样本数据库,分析了54,739个TAVR程序.
• 应用了十五种不同的二进制分类方法来建模医院内生存和死亡.
• 在随机和基于时间的采样场景中使用指标评估模型性能,包括接收器运行特征曲线 (AUC) 下的面积.

主要成果:

• 前五个机器学习模型在随机和基于时间的抽样中实现了AUC≥0.80.
• 这表明仅使用手术前变量,具有强大的预测性能.
• 在表现最好的模型中,在预测准确度方面观察到最小的实际差异.

结论:

• 在手术前数据上训练的机器学习模型可以有效地预测TAVR后的住院死亡率.
• 由于其计算效率和可解释性,L2规范后勤回归被推为最佳模型.
• 这些发现支持为TAVR开发改进的手术前决策支持工具.