机器学习识别可修改的预测器的患者结果后跨导管大动脉替换过导管大动脉替换

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:

• 严重的症状性大动脉狭窄需要治疗,跨导管大动脉置换 (TAVR) 是一个关键的选择.
• 确定优秀TAVR结果的预测因素,如良好的临床结果和增加在家康复时间,对于优化患者护理至关重要.
• 专注于潜在的可修改预测因素可以导致TAVR后改善以患者为中心的结果.

研究的目的:

• 利用机器学习 (ML) 技术,精确定位可修改的预测因素,以患者为中心的优秀结果.
• 分析大量TAVR病例数据集,以确定影响治疗成功的关键因素.

主要方法:

• 利用了来自21家医院的8332例TAVR病例数据集 (2016年1月至2021年12月).
• 训练有素的随机森林模型使用57个患者特征和护理过程参数来预测出色的结局复合终点.
• 采用递归特征消除和沙普利增量解释 (SHAP) 来进行特征重要性分析.

主要成果:

• 最终的ML模型包括29个预测因素 (15个患者特征,14个护理过程组件),AUC为0.77.
• 确定了四个具有高SHAP值的潜在可修改预测因素:麻醉类型,直接转移到一步降低单元,从导管到TAVR的时间,以及手术前停留时间.
• 这些发现突出了护理途径中的特定领域,可以调整以改善TAVR的成功.

结论:

• 对医院级数据的机器学习分析可以确定出色的TAVR结果的可修改预测因素.
• 确定了四个可修改的关键因素,为改善TAVR护理提供提供了目标.
• 这种方法可以为提高患者康复和减少TAVR后并发症的策略提供信息.