开发一种机器学习模型,用于预测非心脏手术患者30天内发生的重大心脏和脑血管不良事件:回顾性研究

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 在非心脏手术中进行手术前的心脏风险评估对于患者安全和资源管理至关重要.
• 目前的评估方法对于低风险患者可能过度,对于高风险患者可能不足.
• 开发实用的风险预测工具对于优化手术前护理至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测非心脏手术患者的重大心脏和脑血管不良事件 (MACCE).
• 使用观察医学结果伙伴关系共同数据模型 (OMOP CDM) 进行标准化数据分析.
• 将开发模型的性能与修订的心脏风险指数 (RCRI) 进行比较.

主要方法:

• 使用转换为OMOP CDM格式的非识别电子健康记录进行回顾性观察性研究.
• 来自首尔国立大学邦达医院的46,225名患者和阿桑医疗中心的396,424名患者的数据.
• 开发并验证了5个机器学习算法,包括随机森林,用于预测65岁以上接受非心脏手术的患者的MACCE.

主要成果:

• 机器学习模型在预测MACCE时显著优于RCRI (AUROC=0.704).
• 随机森林模型实现了最高的性能,内部AUROC为0.897,外部AUROC为0.817.
• 关键预测因素包括先前的诊断和实验室测量,突出了它们在术后风险评估中的重要性.

结论:

• 与RCRI相比,开发的机器学习模型在预测非心脏手术后30天内MACCE方面表现优越,并且具有优越的概括性.
• 这些模型可以优化术前评估,减少不必要的测试,提高术后护理效率.
• 在临床实践中实施这些预测模型具有显著的潜力,可以提高患者的治疗结果和资源利用率.