相关实验视频
Updated: Jul 21, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.1K
使用整体机器学习预测心脏手术风险,将遗留的风险得分纳入心脏手术风险预测:一项基准研究
Tim Dong1, Shubhra Sinha1, Ben Zhai2
1Translational Health Sciences, Bristol Heart Institute, University of Bristol, Bristol, UK.
Digital health
|July 26, 2023
概括
机器学习组合有效地结合了来自不同分数的心脏手术风险数据,如EuroSCORE I和II. 这种方法通过整合不同的数据集来改善风险预测,优于传统方法.
科学领域:
- 心血管外科心血管外科
- 医疗保健中的机器学习
- 风险分层是风险的分层.
背景情况:
- 新的临床风险评分 (例如,EuroSCORE II) 用不同的变量取代旧的 (例如,EuroSCORE I),从而造成数据差距.
- 关于使用集体学习来合并这些不同遗留风险评分数据的研究有限.
研究的目的:
- 测试同质和异质机器学习 (ML) 集合是否在组合EuroSCORE I和II数据时优于动态模型平均 (DMA).
- 通过将遗留数据与较新的得分变量集成来预测心脏手术风险.
主要方法:
- 训练了12个使用EuroSCORE I (LogES) 和EuroScore II (ES II) 变量集的基础学习者模型,这些变量集来自不同的时间段 (1996-2016,2012-2016).
- 使用六个ML算法组合模型成同质和异质组合.
- 在一个持久集 (2017-2019) 上使用共识指标评估绩效.
主要成果:
- Xgboost同质组合获得了最高的性能 (CEM 0.725,AUC 0.8327),其次是随机森林同质组合.
- 组合跨时间数据的异质集显示出明显更好的性能 (CEM 0.720),而不是使用单个时间段数据集.
- 所有的ML组合显著超过了贝叶斯更新模型的DMA组合.
结论:
- 与DMA相比,均质和异质的ML组合显著改善了心脏手术风险预测.
- 时间依赖的组合方法成功地整合了来自不同乐谱版本的先前隔离的数据.
- 结合不同的数据集可以提高预测能力,临床解释性和数据利用性.
