建立和验证基于机器学习的冠心旋转性心脏切除术后老年患者心力衰竭风险预测模型

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 接受冠状动脉旋转性心脏切除术 (CRA) 的老年患者面临着术后心力衰竭的显著风险.
• 准确预测心力衰竭风险对于及时干预和改善患者结果至关重要.
• 现有的预测模型可能无法完全捕捉到这一特定人群中风险因素的复杂性.

研究的目的:

• 开发和验证基于机器学习的心力衰竭风险预测模型,用于CRA后的老年患者.
• 为了确定与CRA后心力衰竭发生相关的关键临床变量.

主要方法:

• 一项回顾性队列研究包括303名患有严重冠状动脉化的老年患者接受CRA.
• 机器学习算法包括后勤回归 (LR),极端梯度提升 (XGBoost),支持矢量机 (SVM) 和LightGBM. 这些算法都被训练和验证了.
• 数据预处理涉及处理缺失值和解决样本不平衡,使用自适应合成采样 (ADASYN);使用AUC,灵敏度,特异性和精度评估模型性能.

主要成果:

• 在验证组中,XGBoost模型表现出卓越的性能,曲线下的面积 (AUC) 为0.972.
• 通过XGBoost模型识别的关键预测因素包括血胆固醇,血清肌,禁食血糖,年龄,甘油三,NT-proBNP (积极因素) 和左心室喷射率 (LVEF) (负面因素).
• 在预测心力衰竭风险方面,XGBoost模型的表现优于LR,SVM和LightGBM.

结论:

• 基于XGBoost的心力衰竭风险预测模型是有效的,并且优于CRA后老年患者的传统方法.
• 确定的临床变量是心力衰竭的重要预测因素.
• 这种模型可以帮助临床决策,有可能减少接受CRA的患者的不良结果.