基于深度学习的预测建模肝移植后主要不良心血管事件的预测建模
Ahmed Abdelhameed1, Harpreet Bhangu1, Jingna Feng1
1McWilliams School of Biomedical Informatics (A.A., J.F., F.L., X.H., C.T.), University of Texas Health Science Center at Houston, TX; and Department of Artificial Intelligence and Informatics (A.A., J.F., F.L., X.H., C.T.) and Department of Transplantation (H.B., P.P., L.Y.), Mayo Clinic, Jacksonville, FL.
Mayo Clinic proceedings. Digital health
|July 12, 2024
概括
深度学习模型在肝移植 (LT) 后有效预测主要不良心血管事件 (MACE). 这项技术有助于临床医生识别高风险患者,以改善移植结果.
科学领域:
- 心血管医学 心血管医学
- 移植手术 移植手术
- 医疗保健中的人工智能
背景情况:
- 主要不良心血管事件 (MACE) 是肝移植 (LT) 接受者的重要关注点.
- 预测移植后的MACE对患者管理和改善结果至关重要.
研究的目的:
- 验证深度学习模型用于预测肝移植患者的MACE.
- 评估与传统机器学习方法对比的深度学习模型的性能.
主要方法:
- 使用了Optum的非识别的Clinformatics数据马特数据库 (2007-2020年).
- 包括18,304名肝移植接受者,分析人口统计数据,诊断,药物和手术,直至移植前3年.
- 采用双向封闭循环单元 (BiGRU) 深度学习模型来预测移植后不同间隔的MACE.
- 通过5倍交叉验证使用AUC-ROC和AUC-PR指标评估模型性能.
主要成果:
- BiGRU深度学习模型表现出强大的预测性能.
- 在LT后的30天预测间隔中,AUC-ROC达到0.841和AUC-PR达到0.578
- 深度学习模型在MACE预测中表现优于基线机器学习模型.
结论:
- 深度学习模型可以使用纵向索赔数据有效地预测肝移植后的MACE.
- 这些模型可以帮助临床医生识别针对性干预的高风险候选人.
- 改善风险分层可以导致更好的管理策略和更好的移植结果.
