使用机器学习来预测心脏门置换患者的出血风险,在住院治疗中使用华法林治疗
Yixing Hu1,2, Xuemeng Zhang1,2, Meng Wei3
1Department of Pharmacy, Nanjing First Hospital, China Pharmaceutical University, Nanjing, China.
Pharmacoepidemiology and drug safety
|February 15, 2024
概括
在门置换患者中预测与华法林相关的出血风险至关重要. 使用XGBoost的机器学习模型有效地识别了高出血风险 (INR ≥4.5),有助于临床决策.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 药理学 药理学是指药理学的学科.
背景情况:
- 在床边评估华法林诱导的出血风险具有挑战性.
- 建议在国际正常化比率 (INR) ≥4.5时使用华法林治疗暂停来缓解出血.
- 需要在住院的门置换患者中预测高出血风险的模型.
研究的目的:
- 开发和验证一种机器学习模型,用于预测在接受门置换并接受华法林治疗的患者中高出血风险.
- 将机器学习模型的性能与已建立的风险得分进行比较 (例如,ATRIA,ORBIT).
主要方法:
- 利用了2376名心脏门置换患者 (2016-2021) 的数据.
- 开发和评估了五种机器学习模型,高出血风险定义为INR ≥4.5.5.
- 使用面积根据接收器运行特征曲线 (AUC) 进行性能评估和SHapley添加式解释 (SHAP) 进行模型解释.
主要成果:
- 极端梯度增强 (XGBoost) 模型显示出优异的预测性能 (AUC:0.882).
- XGBoost的表现优于传统的风险评分,如ATRIA和ORBIT.
- 确定的主要预测因素包括血小板计数,甲状腺刺激激素,身体表面积,血清肌素和白细胞计数.
结论:
- 一个经过验证的机器学习模型可以有效地预测华法林治疗的门置换患者的高出血风险.
- 这种模型可以帮助临床医生识别有风险的个体,以便及时进行治疗调整.
- 这些发现支持将机器学习工具集成到临床实践中,用于抗凝管理.
