开发和验证可解释的机器学习模型,以预测老年患者非心脏手术后的主要心血管不良事件:一项前性研究

科学领域:

• 老年医学 老年医学
• 心血管医学 心血管医学
• 医疗保健中的人工智能

背景情况:

• 非心脏手术后的主要不良心血管事件 (MACE) 显著影响老年患者的预后.
• 准确预测MACE和识别可修改的风险因素对于优化手术规划和患者结果至关重要.
• 在老年人中开发可靠的术后MACE预测模型是一个至关重要的未满足的需求.

研究的目的:

• 开发和验证一个精确和用户友好的机器学习 (ML) 模型,用于预测经过非心脏手术的老年患者的30天术后MACE.
• 将开发的ML模型的性能与已建立的修订心脏风险指数 (RCRI) 进行比较.

主要方法:

• 进行了一项前性队列研究,涉及18,395名接受非心脏手术的老年患者.
• 变混合被用来确定MACEs的显著预测因子.
• 开发和评估了10个ML模型,AutoGluon模型因其卓越的性能而被选中. 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 该AutoGluon模型表现出优异的预测性能,AUROC达到0.884,准确度为0.976,Brier分数为0.023,超过了RCRI.
• 血红蛋白水平被确定为术后MACEs最重要的预测因子.
• 该模型的可解释性揭示了关键预测器关系和相互作用效应,该模型被部署为验证的网络工具.

结论:

• 该AutoGluon模型在非心脏手术后的老年患者中提供了对MACE的准确预测,超过了RCRI等现有模型.
• 模型解释性为风险因素提供了有价值的见解,促进了个性化外科战略和改善患者护理.
• 开发的ML工具有可能在老年手术患者的风险分层中广泛临床应用.