在接受心血管手术的患者中,使用机器学习算法开发术后妄想预测模型

科学领域:

• 心脏病学 心脏病学
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 手术后痴呆症是心血管手术后的一个显著不良事件.
• 早期识别患有狂妄症高风险的患者对于实施及时干预至关重要.
• 目前用于预测这种人群中妄想风险的方法需要改进.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测心血管手术后的妄想.
• 为了确定心血管外科手术后心血管外科手术妄的关键手术前预测因素.
• 为了比较各种ML算法在妄想预测中的性能.

主要方法:

• 预期招募40岁或以上接受心血管手术的患者.
• 评估手术前和手术后的因素,包括人口统计,认知功能 (Mini-Cog),功能状态 (Barthel指数),病史 (中风,出血) 和估计的淋巴细胞过率 (eGFR).
• 使用分层五重交叉验证开发和验证ML模型 (伯诺利天真贝叶斯,SVM,随机森林,extra-trees,XGBoost).

主要成果:

• 在87名患者中,有24名 (27.6%) 患有术后狂妄症.
• 确定了关键预测因素:年龄,精神药物使用,认知功能低下,日常生活指数活动低,中风/出血史,以及降低EGFR.
• 超树模型实现了0.76 (SD 0.11) 的接收器操作特征曲线 (AUROC) 下的最高面积,灵敏度为0.63和特异性为0.78.
• XGBoost表现出最高的灵敏度 (0.67),AUROC为0.75 (SD为0.07) 和0.79的特异性.

结论:

• 机器学习算法有效地预测心血管外科手术患者使用手术前数据的术后妄想风险.
• 这些模型为识别高风险患者提供了一个有前途的工具,使主动管理策略成为可能.
• 进一步验证和实施这些ML模型可能会降低妄想发病率并改善外科手术结果.