使用监督机器学习模型预测正经肝移植后主要心血管不良事件:一项队列研究
Jonathan Soldera1,2, Leandro Luis Corso3, Matheus Machado Rech4
1Post Graduate Program at Acute Medicine and Gastroenterology, University of South Wales, Cardiff CF37 1DL, United Kingdom.
World journal of hepatology
|March 18, 2024
概括
一个机器学习模型准确地预测了肝移植 (LT) 后的主要不良心血管事件 (MACE). 该工具有助于评估患者的风险,改善肝移植接受者的临床实践.
科学领域:
- 心血管医学 心血管医学
- 肝病学 肝病学是一种肝病学.
- 医疗保健中的机器学习
背景情况:
- 肝移植 (LT) 接受者越来越老,越来越生病.
- 主要不良心血管事件 (MACE) 和相关死亡率在LT后正在上升.
- 传统的非侵入性心脏应激测试对肝硬化患者有局限性.
研究的目的:
- 评估机器学习模型的可行性和准确性,以预测LT后的MACE.
- 开发一个预测工具,用于肝移植接受者的重大心血管不良事件.
- 评估极端梯度增强模型在区域队列中的性能.
主要方法:
- 在575名LT患者的回顾性队列研究中.
- 开发了一个使用83个特征的极端梯度增强 (XGBoost) 模型.
- 使用k-最近邻居归算解决了缺失的数据;模型性能通过AUROC和Brier分数进行评估.
主要成果:
- 该XGBoost模型实现了0.89的AUROC和出色的校准 (Brier分数为0.07).
- 关键预测因素包括心脏压力测试的负面结果,β阻塞剂的使用,胆红素水平和血型.
- 该模型表现出高精度 (0.84),精度 (0.85),回忆 (0.80) 和F1得分 (0.79).
结论:
- 在XGBoost模型是可行的和准确的预测后LTMACE.
- 该模型整合了心血管和肝脏变量,以进行可靠的风险评估.
- 这项研究强调了该模型作为后LT MACE预测的可靠临床工具的潜力.
