使用机器学习来预测横冠状动脉支架后的结果
Ben Li1,2,3,4, Naomi Eisenberg5, Derek Beaton6
1Department of Surgery University of Toronto Ontario Canada.
Journal of the American Heart Association
|August 27, 2024
概括
机器学习可以准确地预测经过转关节动脉支架 (TFCAS) 的1年中风或死亡. 这种先进的方法比TFCAS程序的传统后勤回归模型提供了更好的结果预测.
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:
- 横冠状动脉支架 (TFCAS) 与显著的外科手术风险有关.
- 现有的TFCAS结果预测工具的准确性有限.
- 需要改进的方法来预测TFCAS后并发症.
研究的目的:
- 开发和评估机器学习 (ML) 算法,用于预测TFCAS后的一年中风或死亡.
- 将ML模型的性能与传统的物流回归进行比较.
主要方法:
- 使用了血管质量倡议 (VQI) 数据库 (2005-2024) 与35,214名TFCAS患者.
- 提取了112个特征 (手术前,手术内,手术后).
- 训练了6个ML模型,包括极端梯度提升 (XGBoost),使用70/30列车/测试分割和10倍交叉验证.
主要成果:
- 最好的ML模型 (XGBoost) 在术前预测中实现了0.94的接收器操作特征曲线 (AUROC) 下的面积.
- 模型性能在不同阶段保持高:AUROC 0.94 (手术内),0.98 (术后).
- XGBoost显著超过了逻辑回归 (AUROC 0.65).
结论:
- 机器学习模型,特别是XGBoost,在预测TFCAS后1年的中风或死亡方面表现出很高的准确性.
- 机器学习为TFCAS结果预测提供了物流回归的优越替代方案.
- 这些发现可以加强临床决策和患者风险分层.
