机器学习预测PAD患者内血管干预的结果
Ben Li1,2,3,4, Blair E Warren5, Naomi Eisenberg6
1Department of Surgery, University of Toronto, Toronto, Ontario, Canada.
机器学习模型准确地预测了接受内血管干预的外周动脉疾病 (PAD) 患者的结果. 这些先进的算法提供了改进的风险评估,以防止不良事件.
科学领域:
- 血管外科 血管外科
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 周围动脉疾病 (PAD) 血管内干预带有显著的外科手术风险.
- 对于PAD干预措施的现有结果预测工具是有限的,需要改进预后能力.
研究的目的:
- 开发和评估机器学习 (ML) 算法,用于预测PAD内血管干预后的结果.
- 将ML模型的性能与PAD干预结果预测的传统后勤回归进行比较.
主要方法:
- 一项预后研究使用了来自血管质量倡议 (VQI) 登记册的数据,其中包括235,677名接受内血管PAD干预的患者.
- 训练了6个ML模型,使用手术前,手术内和手术后的特征来预测1年的重大不良肢体事件 (MALE) 或死亡.
- 极端梯度提升 (XGBoost) 被确定为表现最好的算法,使用接收器操作特征曲线 (AUROC) 下的面积进行评估.
主要成果:
- 使用手术前数据的XGBoost模型实现了0.94的AUROC,用于预测1年的MALE或死亡.
- 与物流回归相比,ML模型显示出更高的性能 (AUROC 0.67).
- 在手术内和术后阶段,XGBoost保持了高性能,AUROC分别为0.94和0.98.
结论:
- 开发的ML模型准确地预测了PAD内血管干预后的结果.
- 这些ML算法显示了增强外科手术期间风险减轻策略和改善患者护理的潜力.
- 这项研究强调了ML在改善PAD干预措施的预后准确性方面的实用性.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
13:48Reduction of Radiation Exposure during Endovascular Treatment of Peripheral Arterial Disease Combining Fiber Optic RealShape Technology and Intravascular Ultrasound
Published on: April 21, 2023
相关概念视频
Peripheral Arterial Disease II: Clinical Manifestations and Diagnostic Evaluation
Peripheral Artery Disease III: Interprofessional Care
Peripheral Artery Disease V: Postoperative Nursing Management
Aneurysm IV: Nursing Management
