使用机器学习预测动脉内关节切除术后的主要不良心血管事件
Ben Li1,2,3,4, Raj Verma5, Derek Beaton6
1Department of Surgery University of Toronto Canada.
机器学习模型可以准确地预测手术后30天的心血管不良事件. 这些先进的算法性能优于现有的工具,有助于对中风预防手术的风险评估.
科学领域:
- 血管外科 血管外科
- 机器学习在医学中的应用
- 心血管方面的结果.
背景情况:
- 关节内关节切除术 (CEA) 对于预防中风至关重要,但涉及重大外科手术期间的风险.
- 目前用于预测CEA结果的工具有限,需要改进风险评估方法.
研究的目的:
- 开发和评估机器学习 (ML) 算法,以预测CEA后的30天内主要心血管不良事件 (MACE).
- 将ML模型的性能与现有的预测工具进行比较.
主要方法:
- 利用了国家外科质量改善计划的血管数据库 (2011-2021年) 与38853名CEA患者.
- 使用36个手术前变量训练了6个ML模型,XGBoost被确定为表现最佳的模型.
- 评估模型使用接收器运行特征曲线 (AUC) 下的面积,校准图和Brier分数.
主要成果:
- XGBoost模型的AUC为0.91,显著超过了后勤回归 (AUC0.62) 和现有的文献工具 (AUC0.58-0.74).
- 冠状动脉症状状态是ML算法中最强的预测特征.
- 该模型表现出良好的校准,布赖尔分数为0.02.
结论:
- 使用手术前数据,ML模型可以准确地预测CEA后30天的结果.
- 与现有工具相比,这些模型提供了更高的性能,并可以指导风险减轻策略.
- 对于改善CEA程序患者结果的潜在实用性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
相关概念视频
Pre-Procedural Guidelines for Assessing Blood Pressure
Cardiac Catheterization I: Pre-Procedure Overview
Cardiomyopathy V: Interprofessional Care
Cardiomyopathy VII: Pre and Post Operative Nursing Management
Peripheral Artery Disease V: Postoperative Nursing Management
Aneurysm IV: Nursing Management
