研发和验证一个机器学习评分,用于转管大动脉植入后的再入院
Samian Sulaiman1, Akram Kawsara2, Abdulah Amr Mahayni1
1Department of Cardiovascular Disease, Mayo Clinic, Rochester, Minnesota, USA.
JACC. Advances
|June 28, 2024
概括
机器学习有效地使用行政数据预测过导管大动脉植入 (TAVI) 再入院. 这可以识别高风险患者,改善TAVI后的护理和结果.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 过导管大动脉植入 (TAVI) 是一个具有显著再入院率的关键程序.
- 识别高风险的TAVI后再接收患者是一个至关重要的未满足的临床需求.
研究的目的:
- 调查机器学习 (ML) 模型在TAVI后预测再录取中的实用性.
- 开发一个风险预测模型,用于TAVI后的30天再接收.
主要方法:
- 利用了全国范围的再接收数据库 (2016-2019) 拥有917个候选预测因素.
- 采用拉索回归用于变量选择,K-means集群用于风险分层,以及带有SHAP的光梯度增强机用于预测影响分析.
- 开发了一个节的模型来预测30天的TAVI再接收.
主要成果:
- 分别确定了138个和199个30天和90天再接收的信息预测因素.
- K-means集群显示出不同的低风险 (10.1%的30天再入院) 和高风险 (23.3%的30天再入院) 组.
- 关键预测因素包括停留时间,脆弱性得分,出院诊断,急性损伤和Elixhauser得分. 在TAVI再接收得分上,表现良好 (AUC为0.74).
结论:
- 机器学习模型可以有效地利用行政数据来识别在TAVI后面临再入院风险的患者.
- 这些基于ML的见解可以为TAVI后的患者护理策略提供信息和增强.
- 开发的TAVI再接收得分显示了临床应用在风险分层中的潜力.
