机器学习模型的开发和初步评估,以预测大手术后心肌梗塞和心脏骤停
Yas Sanaiha1, Arjun Verma1, Ayesha P Ng1
1Cardiovascular Outcomes Research Laboratories (CORELAB), University of California Los Angeles, Los Angeles, CA, USA.
Resuscitation
|May 17, 2024
概括
一个新的机器学习模型准确地预测了外科手术期间心肌梗塞和心脏骤停 (MI/CA),超过了传统的Gupta评分. 这种先进的模型为重大手术提供了改进的风险评估.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 手术风险评估手术风险评估
背景情况:
- 古普塔评分用于预测外科手术期间心肌梗塞和心脏骤停 (MI/CA),在校准和范围上有局限性.
- 准确预测MI/CA对于主要操作中共享决策至关重要.
研究的目的:
- 开发和验证一种新的机器学习 (ML) 模型,用于估计外科手术期间的MI/CA风险.
- 将ML模型的性能与现有的古普塔分数进行比较.
主要方法:
- 利用了2016-2020年ACS-NSQIP数据库中的2,473,487名患者的数据.
- 开发了一个ML模型,使用ACS-NSQIP数据字段来预测MI/CA.
- 将ML模型的歧视 (C统计) 和校准 (Brier分数) 与Gupta分数进行比较.
主要成果:
- 与古普塔分数相比,ML模型表现出优异的歧视 (C统计值0.84与0.80) 和校准 (布赖尔分数0.0097与0.0100) .
- 在接受胸腔,大动脉,外周血管和前肠手术的患者中,模型的性能显著提高.
- 在2,473,487名患者中,1.0%的人经历了MI/CA.
结论:
- 开发的ML模型在预测MI/CA在各种手术过程中的表现明显优于Gupta得分.
- 这种新型的ML模型显示了无集成到临床实践中的潜力,以改善患者护理和基准测试.
