基于机器学习的预测模型,用于经过非心脏手术的冠状动脉疾病稳定患者的外科手术期间主要心血管不良事件

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:

• 准确预测术后主要心血管不良事件 (MACE) 对患者管理和资源分配至关重要.
• 接受非心脏手术 (NCS) 的稳定冠状动脉疾病 (SCAD) 患者面临重大心血管风险.
• 现有的风险评估工具可能无法充分捕捉外科期间MACEs的复杂性.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测接受NCS的SCAD患者的术后MACE.
• 为模型开发利用可访问的手术前临床数据.
• 将ML模型的性能与修订的心脏风险指数 (RCRI) 进行比较.

主要方法:

• 分析了接受NCS的9171名SCAD患者的数据,提取了64个手术前变量.
• 使用了先进的技术,包括数据归算,重新抽样,特征选择,超参数调整和5倍交叉验证.
• 使用AUROC,AUPRC,校准曲线和决策曲线分析 (DCA) 构建和评估了9个独立的ML模型和一个堆叠组合模型.

主要成果:

• ML模型表现出高的预测性能,AUROC>0.88和AUPRC>0.39,显著优于RCRI (AUROC=0.716,AUPRC=0.185).
• XGBoost模型的AUROC为0.898和AUPRC为0.479,而顶部堆叠组合模型的AUROC为0.894和AUPRC为0.485.
• 沙普利增量解释 (SHAP) 方法确定了关键的预测特征,部分依赖图 (PDP) 可视化了它们的影响.

结论:

• 开发的ML模型是第一个准确预测NCS接受SCAD患者的外科手术期间MACE的模型.
• 这种ML模型超过了RCRI的预测准确性,可以更好地识别高风险患者.
• 这些发现支持实施有针对性的干预措施,以减少MACEs在这个患者群体.