使用机器学习开发和网络部署慢性血栓栓塞性肺高血压中肺动脉压的预测模型

科学领域:

• 心脏病学 心脏病学
• 肺部医学 肺部医学
• 医疗信息学 医疗信息学

背景情况:

• 平均肺动脉压 (mPAP) 是慢性血栓栓塞性肺高血压 (CTEPH) 的关键指标.
• 准确的mPAP预测对于管理CTEPH患者至关重要.

研究的目的:

• 开发一个精确的基于机器学习的mPAP在CTEPH患者的预测模型.
• 为了比较各种机器学习模型和mPAP预测的变量组合的性能.

主要方法:

• 利用了136名CTEPH患者的数据,包括人口统计,脑性尿素 (BNP),心声学 (三膜压力梯度 - TRPG) 和胸部放射学 (心胸比率 - CTR).
• 应用了七种机器学习方法,包括线性回归和AutoML,以构建多变量预测模型.
• 采用了2/3的培训和1/3的验证分割,使用10个数据分割的平均R平方来评估模型性能.

主要成果:

• 线性回归成为最佳的机器学习模型,平均R平方值为0.360.0.
• 最好的预测模型包含了年龄,BNP,TRPG和CTR,平均R平方值为0.388.8.
• 这种多变量线性回归模型表现出优异的预测性能,与仅使用TRPG的单变量模型相比.

结论:

• 在CTEPH患者中成功开发了一种更准确的mPAP预测模型.
• 优化机器学习方法和解释变量选择显著改善了预测性能.
• 开发的模型为评估CTEPH中的mPAP提供了有价值的工具,超越了传统的单变量方法.