相关实验视频
Updated: Jun 18, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.0K
在中国两个中心进行非心脏手术后,开发和验证一种可解释的机器学习模型,用于预测心肌损伤:回顾性研究
Chang Liu1,2,3, Kai Zhang1,2,3, Xiaodong Yang4
1Department of Anesthesiology, The First Medical Center, Chinese People's Liberation Army General Hospital, 28th Fuxing Road, Haidian District, Beijing, 100853, China, 86 15010665099.
JMIR aging
|August 1, 2024
概括
这项研究开发了一种可解释的机器学习模型,用于预测老年患者在非心脏手术 (MINS) 后的心肌损伤. CatBoost模型实现了高准确性,超过了现有的风险评分,并提供了个性化的风险洞察力.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 老年医学 老年医学
背景情况:
- 非心脏手术 (MINS) 后的心肌损伤是一种与不良心血管结果相关的重大并发症.
- 早期诊断和预测MINS对于患者管理至关重要.
研究的目的:
- 开发和验证一种可解释的机器学习 (ML) 模型,用于预测在接受非心脏手术的老年人中MINS.
- 提高风险预测的准确性,并提供个性化的风险解释.
主要方法:
- 一项回顾性队列研究,涉及来自中国两个中心的19463名患者.
- 使用LASSO和RFE进行特征选择,然后使用各种ML算法 (CatBoost,随机森林等) 进行模型开发. ) 的情况.
- 使用内部和外部数据集进行验证,与修订的心脏风险指数进行性能比较,并通过SHAP值进行解释.
主要成果:
- CatBoost算法表现出卓越的预测性能,其AUROC为0.805 (训练) 和0.780 (内部验证).
- 经过修订的心脏风险指数 (AUROC 0.636) 的表现明显超过了ML模型的表现.
- SHAP分析确定了关键预测因素,包括手术前血清肌,红细胞分布宽度和年龄,提供个性化的风险解释.
结论:
- 可解释的ML模型为MINS提供了准确和个性化的风险预测.
- 这些模型可以在个体患者水平上识别潜在的可修改风险因素,帮助临床决策.
