使用新型机器学习工具来预测穿透导管大动脉替换后的最佳放电

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 过导管大动脉置换 (TAVR) 是手术大动脉置换的一个重要替代方案.
• 优化住院时间至关重要,因为TAVR的医疗资源利用量很大.
• 预测最佳出院对于有效的患者管理和资源分配至关重要.

研究的目的:

• 评估新型机器学习模型的预测准确性,以获得最佳的TAVR后医院出院.
• 为了比较人工神经网络 (ANN) 和 eXtreme Gradient Boost (XGBoost) 模型与传统物流回归的性能.
• 确定影响TAVR后最佳放电时间的关键因素.

主要方法:

• 利用2016-2018年国家住院样本数据库来获取TAVR患者数据.
• 将患者分为最佳 (0-3天) 和晚期 (4-9天) 退院组.
• 采用后勤回归,ANN和XGBoost模型来预测最佳放电,通过AUC和F1得分来评估性能.

主要成果:

• 分析了25874名TAVR患者;所有模型都实现了0.80.8的曲线下的面积 (AUC).
• 患者的倾向和选择性手术状态是最佳出院的最重要的预测因素.
• 凝血障碍成为最佳出院的最强并发症预测因素.

结论:

• 在预测最佳 TAVR 排放时,ANN 和 XGBoost 模型表现出令人满意的性能和与后勤回归可比的准确性.
• 这些机器学习模型显示了优化医院出院的临床应用潜力.
• 建议进一步验证和完善这些预测工具的更广泛的临床采用.