用可解释机器学习算法进行切术后长期功能预后的个性化预测:案例对照研究
Lingyu Xu1, Chenyu Li1,2, Shuang Gao3
1Department of Nephrology, The Affiliated Hospital of Qingdao University, Qingdao, China.
JMIR medical informatics
|September 20, 2024
概括
机器学习模型预测急性病 (AKD) 和慢性病 (CKD) 经过切除术后. 一个可解释的模型识别了关键的风险因素,有助于针对功能结果的个性化临床策略.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 急性损伤 (AKI) 是切除术后的常见并发症,可能导致急性病 (AKD) 和慢性病 (CKD) 的进展.
- 对于AKI到AKD/CKD过渡的预测机制尚未完全理解.
- 可解释机器学习 (ML) 提供了对影响长期脏切除术后脏结果的临床特征的见解.
研究的目的:
- 评估脏切除术后AKI,AKD和CKD的发生率,并分析长期结局轨迹.
- 使用可解释性算法 (SHAP,LIME) 解释AKD和CKD预测模型.
- 开发一个基于网络的工具,用于估计切除术后的AKD或CKD风险.
主要方法:
- 对1559名接受切除术的患者进行了回顾性队列研究 (2012年7月 - 2019年6月).
- 八个ML算法用于构建AKD和CKD的预测模型,数据分为训练,验证和测试集.
- 用于模型解释的可解释性图 (SHAP,LIME) 和定向非循环图;开发了一个基于网络的预测工具.
主要成果:
- 发病率:AKI 21.7%,AKD 15.3%,CKD 10.6%. 发生率:AKI 21.7%,AKD 15.3%,CKD 10.6%. 发病率:AKI 21.7%,AKD 15.3%,CKD 10.6%. 发病率:AKI 21.7%,AKD 15.3%,CKD 10.6%. 发病率:AKI 21.7%,AKD 15.3%,CKD 10.6%. 发病率:AKI 21.7%,AKD 15.3%
- 轻度梯度增强机 (LightGBM) 模型显示出高性能 (AUC为AKD的0.97,CKD的0.96).
- 最重要的AKD预测因素:手术持续时间,血红蛋白,血液损失,尿蛋白,血红素. 主要的CKD预测因素:基线EGFR,病理,功能轨迹,年龄,总 bilirubin.
结论:
- 可解释的ML模型有效地通过突出关键特征来识别患有AKD和CKD风险的患者.
- 使用LightGBM模型的基于Web的计算器可以支持个性化,基于证据的功能管理临床策略.
