在大动脉门修复中,机器学习和决策.
Rashmi Nedadur1, Nitish Bhatt1, Jennifer Chung1
1Peter Munk Cardiac Center, Toronto General Hospital, Toronto, Ontario, Canada.
The Journal of thoracic and cardiovascular surgery
|November 28, 2023
概括
机器学习模型可以预测大动脉门手术中的死亡和中风风险. 这些模型通过分析患者数据和手术内决策来个性化手术策略,以获得更好的结果.
科学领域:
- 心血管外科心血管外科
- 医疗人工智能 医疗人工智能
- 医疗信息学 医疗信息学
背景情况:
- 大动脉门手术需要对通道和温度做出谨慎的决定,以尽量减少风险.
- 需要个性化,数据驱动的策略来优化患者的治疗结果.
- 机器学习 (ML) 为模拟外科风险提供了一个有前途的方法.
研究的目的:
- 开发和评估机器学习模型,用于预测选择性大动脉门手术中的死亡率和中风风险.
- 确定影响不良事件的关键患者特征和手术内决策.
- 将ML模型的预测性能与传统的物流回归进行比较.
主要方法:
- 分析了一组1323名接受选择性大动脉门手术的患者.
- 后勤回归和XGBoost ML模型使用69个变量进行训练.
- 用形状增量解释 (SHAP) 来评估手术内决策的重要性.
主要成果:
- 与逻辑回归相比,XGBoost模型显示死亡 (AUC 0.77) 和中风 (AUC 0.87) 的歧视优于逻辑回归.
- 术内决策是死亡率和中风的最大预测因素之一.
- SHAP分析揭示了患者特定的预测重量,突出了风险的个性化性质.
结论:
- 机器学习准确地识别了在大动脉门手术后面临高死亡和中风风险的患者.
- 机器学习模型可以为个性化降低风险做出量身定制的操作决策.
- 这种数据驱动的方法在优化患者护理方面超越了传统的预测模型.
