在冠状动脉旁路移植手术后,连续脏替代疗法的风险预测中的机器学习在患者中

科学领域:

• 医疗信息学 医疗信息学
• 心血管外科心血管外科
• 腎臟病學 (nephrology) 是一種醫學專業.

背景情况:

• 连续脏替代疗法 (CRRT) 是重症监护室 (ICU) 患者在冠状动脉旁路移植 (CABG) 后的关键干预措施.
• 预测CABG后需要CRRT对于及时干预和改善患者结果至关重要.
• 现有的风险预测方法可能无法完全捕捉CABG后CRRT要求的复杂性.

研究的目的:

• 开发和验证机器学习模型,用于预测接受CABG手术的ICU患者的CRRT风险.
• 在CABG后确定与CRRT要求相关的重大风险因素.
• 通过准确的风险分层来加强外科手术期间的管理策略.

主要方法:

• 利用了CABG患者的电子病历数据.
• 采用Boruta方法来选择特征,并开发了七个机器学习算法.
• 使用十倍交叉验证验证的验证模型,评估AUC和校准图表的歧视.
• 应用了SHapley添加式解释 (SHAP) 来实现特征解释性.

主要成果:

• 72名 (37.89%) 患者在CABG后需要CRRT,死亡率更高.
• 高斯的天真贝叶斯 (GNB) 模型显示了最高的预测性能 (AUC).
• 关键预测因子包括心脏中热素T,肌酸激酶异酶,白蛋白,LDL胆固醇,NYHA类,血清肌素和年龄.
• SHAP分析提供了个性化的风险预测.

结论:

• 机器学习模型有效地预测CABG后的ICU人群中的CRRT风险.
• 确定了CRRT的关键风险变量,促进了早期干预.
• 开发的模型可以帮助优化高风险患者的术后护理.