基于森林的代随机识别,对具有高风险的非心脏手术后并发症的新人群进行识别

科学领域:

• 心脏病学 心脏病学
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 术前心血管风险评估对于非心脏手术至关重要.
• 现有的风险评分可能无法完全识别所有高风险个体.

研究的目的:

• 确定非心脏手术的高风险患者的新型因素组合.
• 应用机器学习来增强手术前风险分层.

主要方法:

• 使用了日本医学数据中心数据库 (2005-2021).
• 采用代随机森林分析来识别预测因素组合.
• 分析了主要心血管不良事件的索赔数据.

主要成果:

• 以前的中风史和极低的LDL胆固醇水平的组合与高的非心脏术后风险有关.
• 在确定的高风险组中,主要心血管不良事件的发生率为每100人中15.43人-30天.
• 调查结果表明相关性,而不是因果关系,需要进一步调查.

结论:

• 脑卒中史和极低的LDL-C水平可能会确定非心脏手术后心血管事件的高风险亚组.
• 这些因素可以增强目前的手术前风险评估策略.
• 需要进一步的研究来确认因果关系和临床效用.