使用可解释的机器学习对心脏骤停患者的治疗性低温结果的个性化预测
Chien-Tai Hong1,2,3, Oluwaseun Adebayo Bamodu4,5,6, Hung-Wen Chiu7,8
1Department of Neurology, Taipei Medical University, Shuang Ho Hospital, New Taipei City 235, Taiwan.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
机器学习准确地预测了心脏骤停患者治疗性低温的结果. 这种方法通过分析个体患者数据来个性化预后,改善临床决策,以便更好地规划治疗.
科学领域:
- 心脏病学 心脏病学
- 神经学 神经学
- 人工智能在医学中的应用
背景情况:
- 治疗性低温 (TH) 对心脏骤停患者至关重要,但结果各不相同.
- 预测个体患者对TH的反应对于优化治疗至关重要.
- 个性化预后可以提高心脏骤停后护理的临床决策.
研究的目的:
- 开发和验证机器学习模型,用于预测TH接受心脏骤停患者的神经结果.
- 确定该患者群体中神经学结果的关键预测因素.
- 为了证明个性化机器学习方法对TH预测的有用性.
主要方法:
- 一项多中心的回顾性队列研究,对209名心脏骤停患者进行了多中心的回顾性队列研究,这些患者的心脏节奏可能会发生冲击,他们接受了台湾的TH治疗.
- 使用治疗前患者特征开发人工神经网络 (ANN) 模型.
- 用SHapley添加式解释 (SHAP) 来解释最佳ANN模型的特征重要性.
主要成果:
- 该ANN模型实现了高预测性能 (AUC = 0.9089,精度 = 0.8330).
- 发现的关键预测因素包括上腺素剂量,糖尿病状况,ROSC温度,目击逮捕和ROSC压力.
- SHAP分析使模型预测的解释成为可能,突出了个性化的预后因素.
结论:
- 机器学习,特别是ANN模型,有效地预测TH接受心脏骤停患者的神经结果.
- 该模型通过整合个人患者数据和事件细节来提供个性化的预后.
- 这种方法促进了精确的风险分层,并优化了TH的个性化治疗计划.
更多相关视频
08:22In vitro Assessment of Myocardial Protection following Hypothermia-Preconditioning in a Human Cardiac Myocytes Model
Published on: October 27, 2020
3.0K
05:00Short-Duration Hypothermia Induction in Rats using Models for Studies examining Clinical Relevance and Mechanisms
Published on: March 3, 2021
2.9K
