使用机器学习和特征的重要性来识别儿童心脏手术中死亡率的危险因素

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:

• 先天性心脏缺陷 (CHD) 是一种常见的先天性缺陷,也是先天性缺陷导致死亡的主要原因.
• 儿童心脏手术对心脏病患者有很大的死亡风险.
• 确定死亡率的预测因素对于改善患者的治疗结果至关重要.

研究的目的:

• 在儿科患者中鉴定先天性心脏缺陷 (CHD) 手术后死亡的风险因素.
• 应用机器学习 (ML) 模型来预测心脏病手术后的死亡率.
• 利用模型可解释性工具来理解ML预测.

主要方法:

• 对1302名患有心脏病相关心脏手术的儿科患者 (<18岁) 的回顾性单心研究 (2011-2020年).
• 应用随机生存森林 (RSF) 和极端梯度增强 (XGB) 算法来模拟死亡率.
• 在独立的持久测试数据集 (40%的队列) 上验证模型.
• 使用SHapley添加式解释 (SHAP) 和SurvSHAP的特征重要性评估.

主要成果:

• 两种RSF和XGB模型都表现出强大的预测性能 (C指数分别为0.85和0.79).
• 机器学习模型确定了手术后72小时内最大血清肌氨酸水平,作为死亡率的关键预测指标.
• 模型可解释性工具 (SHAP,SurvSHAP) 证实了早期术后血清肌素的重要性.

结论:

• 机器学习方法有效地识别了儿科心脏病手术患者的死亡风险因素.
• 早期术后血清肌素是死亡的一个显著可修改的风险因素.
• 分析工作流提供了医学研究中联合学习的基础.