基于机器学习算法开发的心肺绕道心脏手术后手术后 Delirium 的在线可解释的动态预测模型:一项回顾性队列研究:基于机器学习算法开发的心脏手术后手术后 Delirium 的动态预测模型

科学领域:

• 心脏病学 心脏病学
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 手术后妄 (POD) 显著恶化了心脏手术患者进行心肺旁路 (CPB) 的预后.
• 准确预测POD对于及时干预和改善患者护理至关重要.

研究的目的:

• 使用机器学习 (ML) 算法开发POD的动态预测模型.
• 创建可解释的临床决策辅助工具,用于识别高风险患者.

主要方法:

• 在南京第一医院的患者数据上利用了ML和深度学习 (2021年7月至2022年6月).
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
• 使用单独队列验证的模型 (2022年10月至2022年11月).

主要成果:

• 在885名患者中,有25.0%患有POD;在验证队列中,有22.0%患有POD.
• 人工神经网络 (ANN) 模型显示出最佳性能.
• 在手术前和手术后的ANN模型中,AUROC值分别为0.776和0.684.

结论:

• 成功开发了用于POD预测的动态,可解释的ANN模型.
• 在线风险计算器作为临床决策辅助器用于早期POD识别.
• 促进及时干预,以改善心脏手术患者的治疗结果.