在门手术后早期预测低心输出综合征的新解释工具:在线机器学习模型
Liang Hong1, Tianling Feng2,3, Runze Qiu3,4
1Cardiovascular Intensive Care Unit, Department of Critical Care Medicine, Nanjing First Hospital, Nanjing Medical University, Nanjing, China.
Annals of medicine
|December 21, 2023
概括
我们开发了可解释的机器学习模型,以预测门手术后低心输出综合征 (LCOS) 风险. SVM模型提供了早期识别,使得及时干预更好的患者结果.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 低心输出综合征 (LCOS) 是门手术后的一种严重并发症.
- 早期识别LCOS风险对于及时干预至关重要,但缺乏标准化的方法.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测LCOS风险.
- 为预先干预提供术前和早期术后预测.
主要方法:
- 利用了2218名接受门手术的患者的数据.
- 构建和评估了各种ML模型,包括SVM,后勤回归,随机森林,XGBoost和DNN.
- 使用SHapley添加式扩展 (SHAP) 解释模型,并通过AUC和校准曲线评估性能.
主要成果:
- 支持矢量机 (SVM) 模型表现出卓越的性能,AUC为0.786在手术前和0.863在术后.
- 与现有的分数相比,SVM模型显示了更好的校准和可解释性.
- 为临床应用开发了一个在线工具,可以访问http://njfh-yxb.com.cn:2022/lcos.cn.
结论:
- 成功开发了第一个可解释的ML工具,用于在线LCOS风险预测门后手术.
- 基于SVM的模型提供了及时和准确的预测,允许进行重症监护干预.
- 该工具增强了有效管理LCOS风险的能力.
