机器学习方法的评估,用于预测心脏手术患者的华法林释放剂量:回顾性算法开发和验证研究

科学领域:

• 心血管外科心血管外科
• 药理学 药理学是指药理学的学科.
• 机器学习 机器学习

背景情况:

• 心脏手术患者表现出增加的华法林敏感性,增加不良事件的风险.
• 准确的华法林剂量对于心脏手术后有效的抗凝血非常重要.
• 需要预测算法来优化对这种人群的华法林管理.

研究的目的:

• 开发和验证用于预测最佳华法林剂量的机器学习算法.
• 为实现心脏手术患者在出院时的治疗国际规范化比率 (INR).
• 为了比较不同的机器学习模型对华法林剂量预测准确度.

主要方法:

• 利用了来自1031次心脏手术遭遇的数据,启动了华法林.
• 比较了受惩罚的线性回归,k-最近的邻居,随机森林,梯度增强,MARS和一个整体模型.
• 为2.0-3.0和2.5-3.5的目标INR开发了单独的模型,使用交叉验证和评估平均绝对误差 (MAE).

主要成果:

• 随机森林回归对目标INR2.0-3.0的最佳预测剂量 (MAE1.13 mg,39.5%在目标的20%内).
• 一个组合模型在目标INR 2.5-3.5 (MAE 1.11 mg,43.6%在目标的20%内) 中表现出色.
• 算法的实施使治疗性INR释放率从47.5%增加到61.1%.

结论:

• 机器学习模型使用常规临床数据有效预测华法林剂量.
• 这些算法可以指导心脏手术患者的初始华法林剂量.
• 通过预测建模,可以实现优化抗凝管理.