使用机器学习来预测跨动脉重血管化后的结果

科学领域:

• 血管外科 血管外科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 穿动脉再血管化 (TCAR) 是一个复杂的程序,存在固有的风险.
• 现有的TCAR风险预测工具在准确性方面存在局限性.
• 客观风险分层对于优化患者选择和术后管理至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 算法,用于预测TCAR后的一年中风或死亡.
• 用手术前,手术期间和手术后的数据评估ML模型的性能.
• 确定用于TCAR结果预测的最有效的ML模型.

主要方法:

• 使用了血管质量倡议 (VQI) 数据库 (2016-2023) 与38325名TCAR患者.
• 在手术前,手术期间和手术后的阶段提取了115个特征.
• 训练了六个ML模型,包括XGBoost和后勤回归,使用70/30列车测试分割和十倍交叉验证.

主要成果:

• XGBoost 模型表现出卓越的性能,在手术前预测中实现了 0.91 的接收器操作特征曲线 (AUROC) 下面面积.
• ML模型在所有阶段都显示出高的预测准确性:手术前 (AUROC 0.91),手术期间 (AUROC 0.92),以及手术后 (AUROC 0.94).
• 后勤回归产生了明显较低的AUROC值,突出显示了ML方法的优势.

结论:

• 开发了一个强大的ML算法,能够准确预测TCAR后1年的不良结果.
• ML模型显示了临床实用性在指导外科手术期间风险减轻策略方面的显著潜力.
• 这种工具可以帮助临床医生做出明智的决定,以预防并发症并提高TCAR患者的安全性.