机器学习验证AVAS分类与超声波映射相比,在一个多中心研究中的机器学习验证

科学领域:

• 血管外科 血管外科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 动脉静脉接入阶段 (AVAS) 分类有助于评估血管适用于血管接入 (VA) 的适合性.
• 之前的临床验证证实了AVAS分类的有用性.
• 机器学习模型被用来评估AVAS性能与超声波映射数据的对比.

研究的目的:

• 将AVAS分类的性能与详细的超声波测绘测量进行比较,以预测血管接入.
• 评估AVAS和超声波映射对预测VA (pVA) 和创建VA (cVA) 的预测准确度.

主要方法:

• 一项前性,多中心的国际研究 (NCT04796558) 涉及1151名患者.
• 收集的数据包括人口统计,风险因素,船舶参数以及预测和创建VA的类型.
• 使用随机森林算法来建模pVA和cVA;使用贝叶斯通用线性模型与ROC AUC作为指标进行模型性能比较.

主要成果:

• 与AVAS相比,超声绘制显示了更高的预测性能 (pVA的ROC AUC:0.85,cVA:0.8) (pVA的ROC AUC:0.79,cVA:0.71).与AVAS相比,超声绘制显示了更高的预测性能 (pVA的ROC AUC:0.85,cVA:0.8).
• 结合额外的参数与AVAS改进了预测 (pVA的ROC AUC:0.87,cVA:0.82).
• 将映射数据与其他参数相结合,产生了最高的预测准确度 (pVA的ROC AUC:0.88,cVA:0.85).

结论:

• 与单独的AVAS分类相比,多个超声波映射测量为血管接入预测提供了更高的准确性.
• 虽然AVAS分类不太准确,但它提供了一个更简单,更快的替代方案,可能使其更适合常规的临床实践.