使用机器学习来预测毒性体外膜氧化受体的神经损伤:一个ELSO注册分析
Andrew Kalra1,2, Preetham Bachina1, Benjamin L Shou1
1Division of Cardiac Surgery, Department of Surgery, Johns Hopkins Hospital, Baltimore, Md.
JTCVS open
|November 13, 2024
概括
机器学习模型可以预测在接受毒性体外膜氧化 (VV-ECMO) 的患者中急性脑损伤 (ABI). 关键的风险因素包括更高的中心体积,ECMO前心脏骤停和ECMO乳酸盐水平升高.
科学领域:
- 神经学 神经学
- 关键护理医学 关键护理医学
- 机器学习在医学中的应用
背景情况:
- 静脉外体膜氧化 (VV-ECMO) 与急性脑损伤 (ABI) 有关,包括中枢神经系统 (CNS) 缺血和内出血 (ICH).
- 关于VV-ECMO患者神经学结果的预测模型的数据有限.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测成人VV-ECMO患者的ABI.
- 在这个人群中确定与ABI及其亚型 (中枢神经系统缺血症,ICH) 相关的关键风险因素.
主要方法:
- 从体外生命支持组织 (ELSO) 注册表 (2009-2021) 中对成年VV-ECMO患者 (N=37,473) 的分析.
- 使用Random Forest,CatBoost,LightGBM和XGBoost ML算法与十倍的交叉验证来预测ABI.
- 提取了67个变量的数据,包括临床特征和ECMO前/后的参数.
主要成果:
- 该研究发现,7.1%的患者经历了ABI,中枢神经系统缺血2%和ICH4%.
- 在ML模型中,ABI预测的曲线下面面积 (AUC) 为0.70,准确度为85%,PPV为19%,NPV为95%.
- 对ABI的显著预测因素包括更高的中心体积,ECMO前心脏骤停,ECMO流量的增加和ECMO时血清乳酸的升高.
结论:
- 这项研究代表了最大的基于ML的分析,用于预测VV-ECMO患者的ABI.
- 低于最佳的模型性能可能源于ELSO注册表中神经监测和成像协议的变化.
- 标准化的神经监测和成像协议对于准确评估VV-ECMO患者的ABI患病率至关重要.
