基于机器学习的风险模型,用于用于心房动的射频消化过程中的手术并发症
Rong Li1, Lan Shen1, Wenyan Ma1
1Clinical Research Center, Shanghai Chest Hospital, Shanghai Jiao Tong University, Shanghai, China.
BMC medical informatics and decision making
|November 10, 2023
概括
机器学习模型可以有效地预测心房的射频移除后的并发症. 这些工具可以识别高风险患者,改善对心房移除手术的临床决策.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 对于心房动 (AF) 的射频切除 (RFA) 具有固有的并发症风险.
- 需要预测模型来识别患有RFA后不良事件风险较高的患者.
研究的目的:
- 开发和验证AF患者RFA后并发症的风险预测模型.
- 利用机器学习算法来提高预测准确度.
主要方法:
- 对3365个RFA程序 (2018-2021) 的回顾性队列研究.
- 使用后勤回归,决策树,随机森林,梯度增强和极端梯度增强.
- 使用AUC,精度,灵敏度,特异性,F评分和Brier评分进行交叉验证的评估模型.
主要成果:
- 整体并发症率为1.84% (62/3365),其中心脏输出/栓塞和出血是最常见的.
- 随机森林模型在预测任何并发症和出血方面表现优异 (AUC分别为0.721和0.839).
- 极端梯度增强模型在预测心脏输出/吸管方面表现出色 (AUC 0.696).
结论:
- 机器学习模型在预测AF患者的RFA后并发症方面表现强.
- 这些经过验证的模型可以帮助临床医生识别高风险个体.
- 这些发现支持将预测分析纳入AF切除的临床决策.
