利用机器学习技术预测B型无复杂内膜血瘤的负重塑
Qu Chen1, Yuanyuan Jiang2, Feng Kuang1
1Department of Cardiovascular Surgery, The First Affiliated Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, Fujian Province, People's Republic of China.
Annals of vascular surgery
|March 7, 2025
概括
机器学习准确地预测了室内血液瘤中阴性动脉重塑的情况. 关键预测因素包括单细胞,淋巴细胞和乙氨基酸细胞计数,为改善患者结果提供了一种工具.
科学领域:
- 心血管成像和干预心血管成像和干预
- 人工智能在医学中的应用
- 血管外科 血管外科
背景情况:
- 没有并发症的斯坦福B型室内血瘤 (IMHB) 可以经历负重塑.
- 在急性阶段预测这种重塑对于患者管理至关重要.
- 机器学习 (ML) 在这种情况下为预测建模提供了潜力.
研究的目的:
- 评估ML技术在预测急性期无并发性IMHB中负面重塑方面的有效性.
- 确定与负面重塑相关的关键临床特征.
主要方法:
- 将单变量逻辑回归与8ML模型进行比较,包括通过随机和网格搜索进行特征选择和超参数调整的LASSO.
- 用AUC,F1分数和Brier分数来评估模型的性能.
- 用于特征重要性分析的SHAP值.
主要成果:
- 拉索方法确定了7个显著特征:淋巴细胞,白细胞,中性细胞与淋巴细胞的比率,乙素,单细胞,高血压和他类药物.
- CatBoost模型表现出卓越的性能,AUC为0.969,F1得分为0.94和Brier得分为0.0625.
- 在SHAP分析中,单细胞计数 (1.250),淋巴细胞计数 (0.296) 和乙素计数 (0.249) 是CatBoost模型中最重要的预测因素.
结论:
- CatBoost ML模型有效地预测了急性期无并发性IMHB的负面重塑.
- 整合临床特征,如单细胞,淋巴细胞和色素细胞计数,可以提高预测准确度.
- 这种ML方法可以作为一种有价值的工具来提高患者的治疗结果.
更多相关视频
10:44Modeling Intracerebral Hemorrhage in Mice: Injection of Autologous Blood or Bacterial Collagenase
Published on: September 22, 2012
24.3K
05:10Improved Methodology for Studying Postnatal Osteogenesis via Intramembranous Ossification in a Murine Bone Marrow Injury Model
Published on: February 7, 2025
279