一个监督可解释的机器学习模型,用于肝移植患者的外科手术期神经认知障碍,并对密集护理IV数据库的医学信息商店进行外部验证:回顾性研究

科学领域:

• 医疗信息学医学信息学
• 移植手术 移植手术 移植手术
• 神经科学是一个神经科学.

背景情况:

• 肝移植 (LT) 患者面临手术前神经认知功能障碍 (PND) 的风险.
• PND显著影响LT后的患者预后.
• 早期识别PND风险对于改善患者的治疗结果至关重要.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测LT接收者的PND.
• 使用ML算法识别PND的关键预测因子.
• 创建一个可访问的工具,用于早期PND风险分层.

主要方法:

• 追溯分析958名LT患者的数据.
• 应用六个ML算法来预测LT后的PND.
• 使用时间外部和MIMIC-IV数据集进行验证.

主要成果:

• 后勤回归模型显示了高的预测准确性 (AUC0.799内部,0.826时间外部,0.72MIMIC-IV).
• 手术前明显的肝脑病变,血小板水平和术后的SOFA得分是最重要的预测因素.
• 在发育队列中的33.5%的患者被诊断出患有PND.

结论:

• 成功开发了一个实时后勤回归模型,用于预测LT后的PND.
• 该模型是医疗机构高度互操作的工具.
• 为LT受益人提供早期风险分层和决策的便利.