一种可解释的机器学习方法,使用当代的UNOS数据来识别未能过桥到心脏移植的患者
Mamoun T Mardini1, Chen Bai1, Maisara Bledsoe2
1Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida, Gainesville, FL, United States.
Frontiers in cardiovascular medicine
|June 4, 2024
概括
机器学习模型可以预测由机械设备支持的患者的心脏移植 (HTx) 列表失败. 关键预测因素包括内,肌,,BMI和血型,有助于风险分层.
科学领域:
- 心脏病学 心脏病学
- 机器学习在医学中的应用
- 移植科学 移植科学
背景情况:
- 越来越多地使用机械循环支持设备,如大动脉内气球 (IABP) 和Impella作为通往心脏移植 (HTx) 的桥梁.
- 需要预测工具来识别高风险的患者状态2列表失败.
- 对影响HTx候选人机械支结果的临床因素的理解有限.
研究的目的:
- 开发和验证一个可解释的机器学习 (ML) 模型,用于预测心脏移植候选人的失败,该模型被列为UNOS状态2.
- 为了确定关键的临床特征显著影响状态2列表的结果.
主要方法:
- 利用UNOS注册数据库 (2018-2022) 列为状态2的心脏移植候选人,并得到Impella或IABP的支持.
- 采用极端梯度提升 (XGBoost) 算法来构建和验证ML模型.
- 开发了11个UNOS地区的综合模型和特定区域模型.
主要成果:
- 分析了4,178名患者的数据;12%的患者经历了状态2失败.
- 综合性ML模型实现了AUC为0.71 (±0.03),区域AUC范围从0.44到0.74.
- 失败的首要预测因素包括内的数量,肌,,BMI和血型;模型的特异性从0.75到0.96.
结论:
- 机器学习模型在识别心脏移植候选人中具有临床价值,有列表失败的风险.
- 这些模型使得有针对性的监测,优化和高风险患者的升级护理成为可能.
- 可解释的人工智能可以指导临床决策,以改善心力衰竭管理的先进结果.
