使用人工智能进行腹腔大动脉动脉瘤破裂的个人风险评估
Joachim Sejr Skovbo1, Nicklas Sindlev Andersen2, Lasse Møllegaard Obel1
1Department of Cardiac, Thoracic and Vascular Surgery, Odense University Hospital, Odense, Denmark; Department of Clinical Research, University of Southern Denmark, Odense, Denmark.
Journal of vascular surgery
|November 22, 2024
概括
一个人工智能 (AI) 工具SHAPFire被开发用于预测腹腔大动脉瘤 (AAA) 破裂风险. 这种人工智能模型与传统的直径测量相比,显著提高了准确性.
科学领域:
- 血管外科 血管外科
- 医疗人工智能 医疗人工智能
- 预测分析在医疗保健中的应用
背景情况:
- 腹腔大动脉瘤 (AAA) 具有显著的破裂风险.
- 目前的风险分层通常依赖于有限的参数,如动脉瘤直径.
- 将各种数据源与先进分析集成,可能会改善断裂预测.
研究的目的:
- 开发和验证人工智能 (AI) 预测工具,用于识别腹腔大动脉动脉瘤 (AAA) 的破裂风险增加.
- 将人口统计,临床,成像和药物数据纳入AI模型.
- 将人工智能工具的性能与传统方法进行比较.
主要方法:
- 使用来自丹麦两家医院 (2009年1月至2016年12月) 的数据,采用了病例控制研究设计.
- 使用渐变增强决策树框架开发了一个SHapley增量扩展功能重要性排名组合 (SHAPFire) AI工具.
- 从计算机断层扫描,血管扫描和医院记录中提取了特征;模型被训练并内部验证.
主要成果:
- SHAPFire人工智能模型包含68个特征中的20个,动脉瘤大小,血压和BMI具有很高的重要性.
- 与单独的直径相比,人工智能模型在识别破裂的AAA方面显示出显著更高的准确性 (AUC 0.86对0.74,P = .008).
- SHAPFire AI的性能与使用所有可用的功能的模型相美.
结论:
- 一个SHAPFire人工智能工具成功开发,以预测AAA破裂风险,其精度优于以直径为基础的方法.
- 人工智能工具显示出增强AAA管理中的临床决策的前景.
- 在临床实施之前建议进行外部验证.
