基于机器学习的模型开发,用于预测冠状动脉旁路移植患者长时间内动脉气球治疗的风险因素

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 动脉内气球 (IABP) 治疗对于接受冠状动脉旁路移植 (CABG) 的患者至关重要.
• 预测长期使用IABP对于优化患者护理和资源配置至关重要.
• 机器学习为复杂的心血管程序中的临床风险预测提供了先进的工具.

研究的目的:

• 开发和评估机器学习模型,用于预测CABG患者长期使用IABP的情况.
• 为了确定与延长IABP植入相关的重大风险因素.
• 为早期干预策略利用预测分析.

主要方法:

• 开发和比较七个机器学习模型.
• 使用沙普利增量解释 (SHAP) 方法来解释特征.
• 对143名患者的分析,分为正常 (≤10天) 和长期 (>10天) IABP使用组.

主要成果:

• 后勤回归模型在预测长时间使用IABP方面表现最好.
• 确定的关键风险因素包括左心室末缩/腹缩直径,手术前使用IABP,糖尿病和心脏托罗素T.
• SHAP分析提供了关于这些特征对模型预测的影响的详细见解.

结论:

• 机器学习模型可以有效地预测CABG患者长期使用IABP的风险因素.
• 这种预测能力有助于早期识别那些面临扩大IABP支持风险的患者.
• 这些发现支持将机器学习纳入临床实践,以积极主动地管理患者.