开发和验证用于心脏手术后不良事件的机器学习模型

科学领域:

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

背景情况:

• 早期识别心脏手术后的不良事件对于有效治疗至关重要.
• 目前的胸腔外科协会 (STS) 风险模型在预测不良事件方面存在局限性,其适用性仅限于不到80%的心脏手术.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测心脏手术患者的术后结果.
• 将开发的ML模型的性能与已建立的STS风险模型进行比较.

主要方法:

• 机器学习模型,称为Roux-MMC模型,使用STS成人心脏手术数据库 (ACSD) (2012-2021) 的回顾性队列 (n=9,841) 开发.
• 鲁克斯-MMC模型在一个前性队列 (n=2,305) (2022-2024) 上进一步验证.
• 通过比较接收器运行曲线下的面积 (AUROC) 来预测八个关键的术后结果,对STS模型进行了模型性能评估.

主要成果:

• 与STS模型相比,Roux-MMC模型在预期队列中的所有八个预测的术后结果中都表现出优异的表现.
• 预期队列中Roux-MMC模型的特定AUROC值从短期停留 (SLOS) 的0.818到长时间通风的0.911不等.
• 鲁克斯-MMC模型证明了更广泛的适用性,覆盖了所有心脏手术患者,而STS模型只适用于65-77%的患者.

结论:

• 开发的Roux-MMC机器学习模型有效地预测了心脏手术患者的八种不良术后结果.
• 鲁克斯-MMC模型显著优于STS模型,适用于所有心脏手术患者.
• 鉴于其在STS ACSD上的发展,Roux-MMC模型具有在全国医院广泛实施的潜力.