使用特定机构的多模态电子健康记录的机器学习改善了心脏手术患者的死亡风险预测

科学领域:

• 心血管外科心血管外科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 胸部外科医生协会 (STS) 的风险评分是评估心脏手术风险的标准,但可能缺乏个体患者的准确性.
• 患者群体的变化可以限制人口衍生风险模型的概括性.

研究的目的:

• 开发和评估一个机构特定的机器学习 (ML) 模型,用于预测心脏手术患者的术后死亡率.
• 将ML模型的性能与已建立的STS风险得分进行比较.

主要方法:

• 利用了来自6392名成人心脏手术患者 (2011-2016) 的多模式电子健康记录 (EHR).
• 提取的行政,人口,临床,血液动力学,实验室和程序数据特征.
• 开发并比较了四个ML分类算法,选择XGBoost因为其卓越的性能.

主要成果:

• 使用336个没有缺失数据的特征的XGBoost模型显示出高预测准确度 (AUC-ROC 0.978,AUC-PR 0.804).
• 在测试队列中,ML模型在七个指数外科手术过程中始终优于STS模型.
• 队列中的总死亡率为3.0%.

结论:

• 在多模态EHR数据上训练的机构特定的ML模型可以提高心脏手术后个体患者死亡率的预测.
• 这些数据驱动型号为基于人口的STS分数提供了补充的洞察力,有助于个性化的患者护理和决策.