基于可解释机器学习的预测模型,对心脏手术后患者的结果进行预测

科学领域:

• 心血管外科心血管外科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 机器学习对心脏手术结果的临床实用性尚不确定.
• 预测心脏手术后的高发病率/死亡率事件至关重要.
• 识别关键的预测变量可以提高模型的性能.

研究的目的:

• 应用机器学习模型来预测心脏手术后的主要术后并发症.
• 为了确定这些模型的预测性能的关键变量.
• 评估机器学习在心脏手术患者管理中的临床适用性.

主要方法:

• 使用了胸腔外科医生协会成人心脏手术数据库 (2015-2017年) (662,772名受试者).
• 开发了机器学习模型来预测术后出血,静脉血栓栓塞 (VTE) 和中风.
• 采用特征转换的重要性和错误分类分析来评估模型驱动因素和限制.

主要成果:

• 模型显示了所有三种并发症的高预测精度 (AUC 0.92-0.97).
• 手术后的变量,如机械通风的持续时间和新出现的心律失常,是模型性能的主要驱动因素.
• 术前和术后的变量对预测准确性不那么重要.
• 关键的术后变量也导致了对象错误分类,表明了内部有效性.

结论:

• 机器学习模型可以准确可靠地预测心脏手术后患者的结果.
• 在预测并发症方面,术后变量比术前或术后因素更为关键.
• 在术后期采取有针对性的干预措施,如控制呼吸和心律失常,可以降低并发症风险.