使用机器学习预测用于甲状腺封闭性疾病的开放性再血管化后的结果
Ben Li1, Raj Verma2, Derek Beaton3
1Department of Surgery, University of Toronto, Toronto, ON, Canada; Division of Vascular Surgery, St. Michael's Hospital, Unity Health Toronto, University of Toronto, Toronto, ON, Canada; Institute of Medical Science, University of Toronto, Toronto, ON, Canada; Temerty Centre for Artificial Intelligence Research and Education in Medicine (T-CAIREM), University of Toronto, Toronto, ON, Canada.
Journal of vascular surgery
|July 16, 2023
概括
机器学习模型准确地预测了30天的结果,用于开放的甲状腺血管再循环化,优于后勤回归. 这些工具可以指导风险减轻策略,以改善患者的结果.
科学领域:
- 血管外科 血管外科
- 机器学习在医学中的应用
- 结果预测结果预测
背景情况:
- 对关节闭塞病的开放性手术治疗具有显著的外科手术期间风险.
- 这些程序的现有结果预测工具是有限的.
研究的目的:
- 开发和验证机器学习 (ML) 算法,以预测在开放性大心血管再血管化后的30天结果.
- 将ML模型的性能与传统的物流回归进行比较.
主要方法:
- 使用了国家外科质量改善计划 (NSQIP) 血管数据库 (2011-2021年).
- 使用38个手术前变量训练了6个ML模型,数据分为训练 (70%) 和测试 (30%) 集.
- 评估模型使用接收器操作特征曲线 (AUROC) 下的面积和校准图.
主要成果:
- 性能最好的模型XGBoost在30天内预测主要不良肢体事件 (MALE) 或死亡时获得了0.95的AUROC.
- XGBoost的性能明显超过了逻辑回归 (AUROC 0.79).
- 模型的表现在各种患者子组中都很强大,慢性肢体威胁性缺血被确定为最强的预测因素.
结论:
- 开发的ML模型使用手术前的数据准确地预测了开放性大心血管再血管化后的30天结果.
- 这些模型与后勤回归相比,显示出更高的性能.
- 这些算法在指导降低风险的策略中具有潜在的实用性,以改善患者的治疗结果.


