通过可解释机器学习预测心力衰竭的90天再入院,并保留喷射分数
Baojia Zheng1, Tao Liang1, Jianping Mei1
1The Fifth Affiliated Hospital of Sun Yat-sen University, Zhuhai, China.
ESC heart failure
|August 21, 2024
概括
一个机器学习模型准确地预测了心力衰竭的90天再入院,其中保留喷射分数 (HFpEF) 患者. 确定的主要风险因素包括日常生活活动和心脏维度,有助于早期干预.
科学领域:
- 心脏病学 心脏病学
- 人工智能在医学中的应用
- 医疗信息学 医疗信息学
背景情况:
- 与心脏衰竭减少喷射率 (HFrEF) 相比,心脏衰竭保留喷射率 (HFpEF) 存在独特的挑战.
- 现有的HFpEF再接收预测模型在现实应用中存在局限性.
- 准确预测90天的再接收对于有效的患者管理和资源分配至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测HFpEF患者的90天再入院.
- 确定与HFpEF再接收相关的关键风险因素.
- 增强早期识别和干预策略,用于高风险再入院的HFpEF患者.
主要方法:
- 利用了746名HFpEF患者的电子健康记录 (2020年8月至2021年8月).
- 采用单变量分析和LASSO进行特征选择.
- 开发和比较机器学习模型,包括XGBoost,随机森林,神经网络和物流回归.
- 应用SHAP模型解释性,以确定关键的风险因素.
主要成果:
- XGBoost模型表现出卓越的性能,其AUC为0.896和PR-AUC为0.868.
- 确定了90天再入院的12个重大风险因素,包括日常生活活动,左心房维度和营养风险.
- 该模型实现了0.817的灵敏度和0.837.7的特异性.
结论:
- 开发的机器学习模型有效预测HFpEF患者的90天再入院风险.
- 鉴定的风险因素为针对性治疗和预防性护理提供了宝贵的见解.
- 该模型可以帮助医疗保健提供者早期识别高风险患者,改善临床结果.
