机器学习模型具有预后影响,用于预测冠状动脉绕道移植后胃肠道出血和指导个性化医学:多中心队列研究
Jiale Dong1,2,3, Zhechuan Jin1, Chengxiang Li4
1Beijing Institute of Heart, Lung and Blood Vessel Diseases, Beijing Anzhen Hospital, Capital Medical University, Beijing, China.
Journal of medical Internet research
|March 7, 2025
概括
一个新的机器学习模型准确地识别了在冠状动脉旁路移植 (GIBCG) 后胃肠道出血的高风险患者. 该工具有助于为这种严重的不良事件制定个性化预防策略.
科学领域:
- 心血管外科心血管外科
- 胃肠病学 胃肠病学
- 医疗信息学 医疗信息学
背景情况:
- 胃肠道出血 (GIBCG) 是冠状动脉旁路移植 (CABG) 后的一个重大并发症.
- 目前的GIBCG风险评估工具对于个性化预防策略是不够的.
- 开发量身定制的风险预测模型对于改善患者治疗结果至关重要.
研究的目的:
- 开发和验证用于预测CABG后GIBCG风险的机器学习模型.
- 确定GIBCG的关键预测特征.
- 创建一个风险计算器,以指导个性化的GIBCG预防.
主要方法:
- 采用了多中心方法,使用前性和后性数据 (MIMIC-IV数据库).
- 对比了30个机器学习算法,根据AUROC和Brier的得分选择了最佳模型.
- 采用了沙普利增量解释模型的解释性.
主要成果:
- 最佳模型使用了15个入学特征,在导出队列中获得了0.8482的AUROC,在外部验证队列中获得了0.8513和0.7811.
- 通过模型识别的高风险患者的死亡风险增加了近3倍.
- 手术前的质子抑制剂在高风险患者中降低了GIBCG风险,而双重抗血小板治疗和抗凝剂增加了GIBCG风险.
结论:
- 一个经过验证的机器学习模型准确地预测了CABG后的GIBCG风险.
- 该模型促进了早期风险分层和个性化的预防策略.
- 根据风险分层确定了具有差异效果的特定药理干预措施.
