使用机器学习来预测患有低可塑性左心综合征的婴儿在没有移植的情况下存活的五年时间

科学领域:

• 儿童心脏病学 儿童心脏病学
• 遗传性心脏病是一种先天性心脏病.
• 机器学习在医学中的应用

背景情况:

• 缺血性左心综合征 (HLHS) 呈现出显著的发病率和死亡率,通常通过息性手术进行管理.
• 目前HLHS的风险分层模型通常依赖于仅限于婴儿时期的生存分析.
• 预测婴儿期以后的长期结果对于分阶段缓和治疗的知情决策至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测HLHS患者的无移植生存期 (TFS).
• 评估ML模型的性能,包括手术息不同阶段的数据.
• 为接受分阶段息治疗的HLHS患者提供个性化的生存概率预测.

主要方法:

• 利用了儿科心脏网络 (PHN) 单心室重建 (SVR) 试验及其延伸研究 (SVR II) 的数据,随访5年.
• 开发了基于机器学习的模型来预测TFS,逐步纳入从第一阶段前息 (S1P) 到第二阶段息 (S2P) 住院的特征.
• 使用曲线下的时间依赖面积 (td-AUC) 评估模型性能.

主要成果:

• 结合到S1P住院的特征的ML模型表现出强大的预测性能.
• 模型显示时间依赖的AUC超过0.70在S1P后5年.
• 一个使用S1P住院特征的模型实现了0.838的td-AUC (95%CI 0.836-0.840).

结论:

• 机器学习提供了一个强大的工具,用于个性化预测HLHS中无移植生存率.
• 机器学习模型可以提供宝贵的预后见解,延伸到几年后的初始分阶段的外科息.
• 这些预测可以帮助家庭和医疗保健提供者在长期护理期间管理HLHS.