开发和验证可解释的机器学习模型,用于预测非膜动患者的左心房血栓或自发回声对比度
Chaoqun Huang1, Shangzhi Shu1, Miaomiao Zhou1
1Department of Cardiovascular Medicine, The First Bethune Hospital of Jilin University, Changchun, Jilin Province, China.
PloS one
|January 17, 2025
概括
机器学习在非膜动 (NVAF) 患者中准确预测左心房血栓/自发回声对比 (LAT/SEC). 一个开发的后勤回归模型为有针对性的干预提供了个性化的风险评估.
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:
- 左心房血栓或自发回声对比 (LAT/SEC) 是非膜性心房动 (NVAF) 中心血管栓塞的重要原因.
- 准确的LAT/SEC风险预测对于预防NVAF患者的栓塞事件至关重要.
- 当前的风险分层工具可能无法完全捕捉到LAT/SEC发展的复杂性.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测NVAF患者的LAT/SEC风险.
- 使用ML技术识别LAT/SEC的关键预测因素.
- 将ML模型的性能与已建立的CHA2DS2-VASc评分系统进行比较.
主要方法:
- 对1078名NVAF患者的电子病历进行了回顾性分析.
- 采用了9个ML算法,通过LASSO进行特征选择和后勤回归.
- 沙普利添加式解释 (SHAP) 用于模型解释性和个性化风险评估.
主要成果:
- 后勤分类模型实现了AUC为0.850,准确度为0.812,灵敏度为0.818,特异性为0.780.
- 确定了六个独立的预测因素:年龄,非发热性肌肉功能障碍,糖尿病,缺血性中风/血栓塞栓症,高尿血和左心房直径.
- 基于ML的后勤回归模型显著优于CHA2DS2-VASc得分 (AUC为0.831比0.650).
结论:
- 机器学习为预测NVAF患者的LAT/SEC风险提供了一种可靠的方法.
- 开发的后勤回归模型与SHAP解释可以识别高风险个体.
- 该工具为NVAF患者提供了个性化的治疗策略和有针对性的诊断评估.
