相关实验视频
Updated: May 30, 2025
07:07
Murine Model of Intestinal Ischemia-reperfusion Injury
Published on: May 11, 2016
19.5K
在急性A型大动脉剖析中基于现象组进行分层的无监督机器学习模型,以确定术后急性胃肠道损伤
Yuhu Ma1, Xiaofang Yang2, Chenxiang Weng3
1Department of Anesthesiology and Operation, The First Hospital of Lanzhou University, Lanzhou, Gansu, China.
Frontiers in cardiovascular medicine
|January 28, 2025
概括
无监督机器学习确定了在急性A型大动脉剖析 (ATAAD) 手术后患急性胃肠损伤 (AGI) 高风险的患者组. 这种方法有助于针对ATAAD患者的AGI个性化预防和治疗策略.
科学领域:
- 心血管外科心血管外科
- 机器学习应用 机器学习应用
- 胃肠道健康 胃肠道健康
背景情况:
- 急性A型大动脉解剖 (ATAAD) 是一种危及生命的疾病,需要复杂的手术干预.
- 在ATAAD手术期间的体外循环增加了术后并发症的风险,包括急性胃肠道损伤 (AGI).
- 识别患有AGI高风险的患者对于改善结果至关重要.
研究的目的:
- 为了评估无监督机器学习在分层患者进行体外循环的ATAAD的实用性.
- 根据临床和实验室数据识别不同的患者现象组.
- 确定这些现象组与外科手术期间AGI发生率之间的关联.
主要方法:
- 使用无监督机器学习,将188名ATAAD患者分为两层.
- 临床特征和实验室结果被用于患者分层.
- 使用后勤回归和随机森林 (RF) 模型来识别风险因素并诊断现象组内的AGI.
主要成果:
- 确定了三个现象组 (A,B,C). 现象组B表现出较高的AGI发病率 (52.5%) 和住院死亡率 (18.6%),老年患者和高的手术前乳酸/D-二次体.
- 现象组B中AGI的主要危险因素包括心肺绕道时间,手术时间,大动脉紧时间和呼吸机时间.
- 射频模型显示了术后AGI的高诊断准确性,AUC从0.943到0.990在现象组之间.
结论:
- 无监督学习有效地将ATAAD患者分为具有不同AGI风险的现象群.
- 现象组B代表了在ATAAD手术后发生AGI的高风险人群.
- 这种分层为临床实践中个性化AGI预防和管理提供了一种新的策略.
