应用机器学习算法来预测新出现的术后心房动,并确定隔离门手术后的风险因素

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 手术后心房动 (POAF) 是门手术后的一个常见并发症.
• 对于POAF的确切原因和风险因素仍然不清楚.
• 本研究探讨了用于POAF风险预测和变量识别的机器学习.

研究的目的:

• 评估机器学习算法在预测门手术后POAF的有效性.
• 为了确定与POAF发展相关的关键外科外科变量.
• 将机器学习模型的性能与传统方法进行比较.

主要方法:

• 对847名接受隔离门手术的患者进行了回顾性分析.
• 机器学习算法的应用 (SVM,物流回归,CNB) 用于POAF预测.
• 从123个手术前和手术内因素中选择了重要的预测变量.

主要成果:

• 支持矢量机 (SVM) 模型实现了最高的预测准确性 (AUC = 0.786).
• 后勤回归 (AUC = 0.745) 和补充天真贝叶斯 (CNB) (AUC = 0.672) 也显示了预测能力.
• 重要的预测因素包括左心脏直径,年龄,eGFR,心肺绕道持续时间,NYHA类和手术前血红蛋白.

结论:

• 与传统的物流模型相比,机器学习模型,特别是SVM,可以提供优越的POAF风险预测.
• 需要进一步的多中心前性研究来验证SVM在POAF预测中的表现.