基于机器学习算法的临床显著的肝切除术后肝衰竭的在线可解释的动态预测模型:一项回顾性队列研究
Yuzhan Jin1,2, Wanxia Li1,2, Yachen Wu3
1School of Basic Medicine and Clinical Pharmacy, China Pharmaceutical University, Nanjing.
International journal of surgery (London, England)
|June 18, 2024
概括
机器学习模型准确地预测了肝切除术后肝衰竭 (PHLF) 的风险. 这些模型的表现优于传统的临床评分,为患者管理提供了有价值的工具,并改善了肝脏手术后的结果.
科学领域:
- 肝胆道手术是肝胆道的手术.
- 医疗人工智能的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 肝切除术后肝衰竭 (PHLF) 是肝切除后死亡的主要原因.
- 目前缺乏PHLF的准确预测模型,这阻碍了有效的患者管理.
- 这项研究旨在开发和验证精确的机器学习 (ML) 模型,以预测临床上显著的PHLF.
研究的目的:
- 开发和比较ML模型的预测性能与PHLF的既定临床评分.
- 确定与PHLF风险相关的关键手术前和手术后变量.
- 创建可解释的ML模型,用于肝脏手术患者的临床决策支持.
主要方法:
- 开发了五种手术前和手术后的ML模型,使用了226名肝切除术患者的数据.
- 将ML模型与MELD,FIB-4,ALBI和APRI临床评分进行比较.
- 在独立的时间数据集上使用交叉验证和外部验证进行内部验证,评估AUC和AUPRC.
- 对于模型可解释性的SHapley添加式解释 (SHAP) 分析.
主要成果:
- 临床显著的PHLF发生在10.2%的患者中.
- 手术前的ML模型确定了肌素,总胆红素和Child-Pugh等级作为关键预测因素.
- 术后模型还包括切除的程度.
- 人工神经网络 (ANN) 模型表现出优异的性能 (AUC高达0.851在手术前和0.766在术后) 与临床得分 (AUC高达0.714) 相比.
- 外部验证证实了ANN模型的稳定性 (AUC 0.720和0.731).
结论:
- 可解释,动态的ML模型在预测PHLF风险方面显著优于传统的临床评分.
- 这些ML模型可以作为有效的临床决策支持工具,用于识别高风险患者.
- 开发的模型为接受肝切除术的患者提供了改善的术前和术后风险分层.
