基于机器学习的模型的开发,以预测A型大动脉剖析手术后的重大不良事件,因营养不良而复杂
Lin-Feng Xie1,2,3, Xin-Fan Lin1,2,3, Yu-Ling Xie1,2,3
1Department of Cardiovascular Surgery, Fujian Medical University Union Hospital, Fuzhou, Fujian, China.
Frontiers in nutrition
|July 19, 2024
概括
这项研究开发了一种机器学习模型,用于预测A型大动脉剖析 (AAAD) 患有营养不良的患者的主要不良事件 (MAE). 随机森林模型识别了高风险个体,有助于早期干预和改善结果.
科学领域:
- 心血管外科心血管外科
- 医疗信息学 医疗信息学
- 营养科学 营养科学
背景情况:
- 甲型大动脉剖析 (AAAD) 带来了重大的手术风险,营养不良进一步增加了重大不良事件 (MAE) 的可能性.
- 准确预测手术后的MAE对于优化患者管理和改善营养不良AAAD患者的临床结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测手术治疗A型大动脉剖析 (AAAD) 患者的MAE风险.
- 为了确定影响MAE风险的关键手术前和手术内因素,在这个患者队列中.
主要方法:
- 从接受手术的营养不良AAAD患者的临床数据的回顾性收集.
- 使用最小绝对收缩和选择操作员 (LASSO) 回归来进行特征选择.
- 开发并比较多个ML算法,选择随机森林 (RF) 模型,因为其优越的预测性能.
- 雇佣了沙普利添加式解释 (SHAP) 用于模型解释.
主要成果:
- 通过LASSO和单变量分析确定了七个关键特征变量,用于模型开发.
- 与其他六种ML模型相比,随机森林 (RF) 模型显示出最高的预测效率和临床适用性.
- 使用SHAP的模型解释为推动MAE风险预测的因素提供了洞察力.
结论:
- 一个基于射频的强大的ML模型已成功开发,用于预测营养不良AAAD患者的术后MAE.
- 该模型有助于早期识别高风险患者,从而能够及时进行干预,以减轻不良结果.
- 这种预测工具支持对营养不良的AAAD患者的临床决策和个性化管理策略.
