基于机器学习的预测,在接受 mitra 门修复的患者中预测存活率和 mitra 回复的复发
Yoonjin Kang1, Suk Ho Sohn1, Jae Woong Choi1
1Department of Thoracic and Cardiovascular Surgery, Seoul National University Hospital, Seoul, Republic of Korea.
机器学习模型准确地预测了 mitra valve 修复后的长期结果,显示出优异的生存率和低的复发性 mitra regurgitation (MR). 复杂的 mitra 门 (MV) 问题增加了重新操作的风险.
科学领域:
- 心血管外科心血管外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- mitra 门修复 (MVR) 是一个关键的程序,用于管理 mitra 吐.
- 评估长期临床结果对于评估MVR有效性至关重要.
- 传统的统计模型在捕捉复杂的风险因素方面可能存在局限性.
研究的目的:
- 为了评估中枢门修复后的长期临床结果.
- 将各种机器学习技术的预测性能与传统模型进行比较.
- 识别影响生存和复发性 mitrale 吐的独立风险因素.
主要方法:
- 对436名接受了米特拉修复的患者 (2000-2017年) 的回顾性分析.
- 使用的机器学习模型:随机生存森林 (RSF),极端梯度提升 (XGBoost),支持向量机器和Cox比例危险模型.
- 评估的精算生存率和没有显著的额头肌吐 (MR) 作为主要终点.
主要成果:
- 机器学习模型,特别是XGBoost (C指数0.806) 和RSF (C指数0.814),与Cox模型 (C指数0.733) 相比,更好地预测了整体存活率.
- 在预测复发性MR方面,XGBoost获得了最高的C指数 (0.718),超过了Cox模型 (0.545).
- 手术死亡率很低 (0.9%),其中3.5%需要重新手术.
结论:
- 机器学习技术提供了有价值的工具,用于预测和解释生存和复发的头骨膜吐在头骨膜修复后.
- 在米特拉修复后的长期临床结果是很好的.
- mitra 门复杂度增加与与 mitra 门相关的晚期重新手术的风险更高有关.
更多相关视频
07:42An Image Guided Transapical Mitral Valve Leaflet Puncture Model of Controlled Volume Overload from Mitral Regurgitation in the Rat
Published on: May 19, 2020
14:14Standardized Technique of Aortic Valve Re-implantation for Valve-sparing Aortic Root Replacement
Published on: December 11, 2017
相关概念视频
Mitral Regurgitation III: Medical Management
Mitral Regurgitation II: Clinical Features and Diagnostic Tests
Mitral Valve Prolapse II: Assessment and Management
Mitral Regurgitation IV: Nursing Management
Mitral Regurgitation I: Introduction
Mitral Stenosis II: Clinical features and Diagnostic Tests
