基于机器学习算法的风险预测得分,用于成人心脏手术后住院/30天死亡率
Shubhra Sinha1, Tim Dong1, Arnaldo Dimagli1
1Department of Cardiac Surgery, Bristol Heart Institute, Translational Health Sciences, University of Bristol, UK.
概括
这项研究评估了机器学习算法XGBoost,用于预测成人心脏手术患者的住院/30天死亡率. 该模型表现出良好的性能,显示出对风险分层的临床益处.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 心脏外科手术带有严重的住院/30天死亡风险.
- 准确的预测模型对于患者管理和资源分配至关重要.
- 现有的模型可能无法充分利用先进的机器学习技术.
研究的目的:
- 评估XGBoost机器学习模型的性能,用于预测成人心脏手术患者的死亡率.
- 评估XGBoost模型的区分,校准和临床实用性.
- 确定这一患者群体中死亡率的关键预测因素.
主要方法:
- 对前性收集的英国成人心脏手术患者数据 (2012-2019) 的回顾性分析.
- 从61个变量中使用顺序向后浮动选择的死亡率预测模型的开发.
- 在时间上将数据划分为70:30培训和验证子集.
- 对最终23个变量XGBoost模型的歧视 (AUC,F1),校准和临床效用 (决策曲线分析) 的评估.
主要成果:
- 该研究包括224,318名成人心脏手术患者,死亡率为2.76%.
- 使用23个变量的XGBoost模型显示出良好的区分 (AUC 0.846,F1 0.277) 和校准.
- 决策曲线分析表明临床实用性高达60%的值概率.
- 关键预测因素包括手术类型,年龄,肌素清除率,手术紧急性和NYHA分数.
结论:
- 功能选择的XGBoost模型在预测心脏手术后死亡率方面表现有前途.
- XGBoost模型提供了良好的区分,校准和临床效益.
- 建议进行前性外部验证,以确认模型在各种环境中的性能.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
