机器学习模型的开发和验证,用于预测心脏手术患者的输出失败:一项回顾性研究
Xiaofeng Jiang1, Wenyong Peng1, Jianbo Xu1
1Department of Anesthesiology, Affiliated Jinhua Hospital, Zhejiang University School of Medicine, Zhejiang, China.
Scientific reports
|March 13, 2025
概括
阴离子间隙,呼吸器参数和血液气体指标预测心脏手术患者的输出失败. 机器学习模型准确地识别出有风险的患者,有助于准备性评估.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 心血管外科心血管外科
背景情况:
- 输出失败和重新输入对于经历复杂心脏手术的并发症患者构成重大风险.
- 预测输出管的准备性对于优化患者的治疗结果和在重症监护机构的资源配置至关重要.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测心脏手术患者的输出失败.
- 为了识别输出失败的关键预测因素,以告知临床决策.
主要方法:
- 利用了来自MIMIC-IV数据库的776名成人心脏手术患者的数据.
- 采用机器学习算法,包括XGBoost,后勤回归和随机森林,以构建一个预测模型.
- 使用曲线下面面积 (AUC),平均精度和障碍得分来评估模型性能,数据分为训练 (80%) 和测试 (20%) 集.
主要成果:
- XGBoost 模型表现出最高的性能 (AUC 0.793,平均精度 0.700,屏障得分 0.150),表现优于后勤回归和随机森林.
- 在排泄前24小时的平均离子间隙被确定为排泄失败的最关键预测因素.
- 呼吸机参数和血液气体指标也是重要的预测指标.
结论:
- 机器学习有效地预测了急性心脏病手术患者的输出失败.
- 内部环境指标 (例如,离子间隙) 和通风特性是评估输出准备的重要因素.
- 这些已识别的预测因素可以指导临床医生确定输出管的最佳时间.
