使用机器学习 (XGBoost) 来预测外周动脉疾病的内绕道后的结果
Ben Li1,2,3,4, Naomi Eisenberg5, Derek Beaton6
1Department of Surgery, University of Toronto, Toronto, ON, Canada.
Annals of surgery
|December 20, 2023
概括
机器学习模型准确地预测了下 inguinal 绕道手术后的结果. 这些先进的算法在预测主要不良肢体事件或死亡方面显著优于传统的后勤回归.
科学领域:
- 血管外科 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:
- 内绕道对外周动脉疾病至关重要,但涉及高的手术风险.
- 目前用于预测下内绕道术后的结果的工具有限.
研究的目的:
- 开发和评估机器学习算法,用于预测患者在下内绕道后的结果.
- 将机器学习模型的性能与传统的物流回归进行比较.
主要方法:
- 使用了血管质量倡议数据库 (2003-2023) 记录了59,784例下内绕道病例.
- 开发和训练了六个机器学习模型,使用手术前,手术内和手术后的变量.
- 通过使用接收器运行特征曲线 (AUROC) 下面面积和Brier分数来评估模型.
主要成果:
- 机器学习模型XGBoost实现了卓越的预测准确性,AUROC为0.94 (手术前) 到0.96 (术后).
- 后勤回归显示预测性表现明显较低 (AUROC 0.61).
- 模型在患者护理的不同阶段表现出良好的校准和稳定性.
结论:
- 机器学习模型提供了一种非常准确的方法,用于预测下内绕道后的结果.
- 这些ML模型超过了后勤回归的预测能力,有可能改善患者管理.
