机器学习的应用在预测术后心律失常后通过导管关闭周膜心室隔膜缺陷后的机器学习
Lintao Yan1, Yuan Meng1, Hongjie Sun1
1Department of Pediatric Cardiology, Shandong Provincial Hospital, Cheeloo College of Medicine, Shandong University, Jinan, Shandong, China.
Kardiologia polska
|January 2, 2025
概括
机器学习准确地预测了外膜腹腔隔膜缺陷 (pmVSD) 关闭后的手术后心律失常. 一个逻辑回归模型确定了关键的风险因素,使得更好的患者风险分层和临床决策.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 儿科医学 儿科医学
背景情况:
- 节律失常是通过导管装置关闭周膜腹膜隔膜缺陷 (pmVSD) 后的常见并发症.
- 目前缺乏术后心律失常的预测工具.
- 这项研究解决了改善pmVSD患者风险评估的需要.
研究的目的:
- 开发和验证用于预测pmVSD患者手术后心律失常的机器学习模型.
- 为了确定通过导管装置关闭后心律失常的显著预测因素.
- 为管理pmVSD提供临床决策支持工具.
主要方法:
- 对1384名患有pmVSD的儿童进行了回顾性分析,这些儿童接受过导管装置的关闭.
- 使用支持矢量机 (SVM),物流回归 (LR),随机森林 (RF) 和XGBoost的预测模型的开发.
- 使用曲线下的面积 (AUC),灵敏度,特异性和校准曲线的模型性能评估.
主要成果:
- 后勤回归 (LR) 模型表现出卓越的性能,AUC为0.863.
- 基于5个关键变量开发了一个名图:体重,手术时间,缺陷直径,干预前心律失常,以及封闭器-缺陷直径差异.
- 校准曲线证实了预测和实际结果之间的强烈一致.
结论:
- 机器学习模型,特别是LR,可以准确地预测pmVSD患者的手术后心律失常.
- 开发的诺米图有助于风险分层和临床决策.
- 这种方法增强了经过设备关闭的pmVSD患者的管理.
