机器学习模型预测肺移植后患者的呼吸道狭窄需要临床干预:一项回顾性病例对照研究

科学领域:

• 医疗信息学 医疗信息学
• 肺部医学 肺部医学
• 机器学习应用 机器学习应用

背景情况:

• 气道狭窄 (AS) 对肺移植 (LTx) 后的患者构成重大风险,包括发病率和死亡率.
• 准确预测AS对于在LTx后患者的及时临床干预至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测肺移植 (LTx) 接受者的气道狭窄 (AS).
• 将ML模型的预测性能与传统的物流回归 (LR) 进行比较.

主要方法:

• 对381名LTx患者 (2017-2019年) 的回顾性审查.
• 使用各种特征选择和算法开发传统的物流回归 (LR) 和56ML模型.
• 使用引导方法进行内部验证;通过曲线下的面积 (AUC) 和障碍得分来评估性能.

主要成果:

• 40名 (10.5%) 患者发生了AS. 男性性别,肺动脉高血压和术后6分钟步行测试是重要的预测因素.
• 最优的ML模型 (随机森林算法) 实现了0.760的AUC和0.085.08的布莱尔得分.
• 与传统的LR模型相比,最佳ML模型表现出更高的性能 (AUC0.689,布赖尔得分0.091).

结论:

• 一个最佳的机器学习模型,利用临床特征,可以令人满意地预测肺移植患者的气道狭窄.
• 这种ML方法提供了一个有希望的工具,用于改善肺移植后患者的治疗结果.