可解释的机器学习模型,用于预测患有专利通道动脉的儿童在干预性关闭后血小板数下降的情况

科学领域:

• 儿童心脏病学 儿童心脏病学
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 专利导管动脉 (PDA) 是儿童常见的一种先天性心脏缺陷.
• 干预性关闭是PDA的标准治疗方法.
• 血小板数下降 (DPC) 是一种潜在的术后并发症.

研究的目的:

• 开发和优化机器学习 (ML) 模型,用于在儿童中通过导管关闭PDA后预测DPC.
• 为了确定DPC预测最有效的ML算法.
• 确定影响DPC的关键临床特征.

主要方法:

• 从330名患有PDA的儿童进行过导管关闭的回顾性数据收集.
• 使用额外树算法从62个临床特征中进行特征选择.
• 开发和比较四个ML算法:随机森林 (RF),自适应提升,极端梯度提升和物流回归.
• 使用夏普利添加式解释 (SHAP) 进行特征重要性分析.

主要成果:

• 在330名儿童中,有113名 (34.2%) 患有DPC.
• 射频模型证明了DPC预测的曲线下面面积 (AUC) 最大.
• 在SHAP分析中,肺动脉缩压,缺陷大小和体重是RF模型中最重要的预测因素.
• 六个临床特征被额外树算法选择用于模型构建.

结论:

• 一个强大的ML模型,特别是RF模型,已成功开发,用于预测儿科PDA患者的干预后DPC.
• 已建立的模型可以帮助临床医生在跨导管PDA关闭后预测和管理DPC.
• 肺动脉缩压,缺陷大小和体重是DPC风险评估中需要考虑的关键因素.