使用可解释的机器学习模型建立一个用于预测气球血管整形后流量限制解剖的分类系统:一个多中心的回顾性队列研究

科学领域:

• 血管外科 血管外科
• 干预心脏病学 干预心脏病学
• 机器学习在医学中的应用

背景情况:

• 皮肤透光血管造形术 (PTA) 是对外周动脉疾病 (PAD) 的首要治疗方法.
• 流量限制剖析 (FLD) 是PTA后的一个重大并发症,可能会影响治疗结果.
• 预测FLD对于优化患者管理和程序成功至关重要.

研究的目的:

• 开发和验证基于机器学习的分类系统,以预测PTA后的FLD.
• 在接受骨关节动脉 (FP) 治疗的患者中确定FLD的关键预测因素.
• 创建一个用户友好的工具,用于PAD治疗中的手术决策.

主要方法:

• 在407名接受FP动脉PTA的患者中进行了一项多中心的回顾性队列研究.
• 评估手术前CT血管造影的慢性全闭症 (CTO),FP动脉分级和外围动脉度评分 (PACSS).
• 机器学习模型的培训和验证,使用SHapley添加式解释来识别预测因素并开发CTO-FP-PACSS分类系统.

主要成果:

• 随机森林模型实现了FLD预测的AUC为0.82.
• 确定CTO,PACSS和FP等级是FLD最有影响力的预测因素.
• 在CTO-FP-PACSS分类系统独立预测FLD (多变量HR4.13,p<0.001).

结论:

• CTO-FP-PACSS分类系统准确地预测了FP动脉疾病中的PTA之后的FLD.
• 该系统提供了一种实用的方法来指导治疗决策,可能减少FLD的发生率.
• 该分类系统可以帮助外科医生在PTA和辅助器件之间做出选择.