多个自动机器学习预测模型用于急性大动脉剖析患者的术后再输管:一个多中心队列研究
相关实验视频
Updated: Jul 19, 2026
08:10
A Closed-chest Model to Induce Transverse Aortic Constriction in Mice
Published on: April 5, 2018
18.8K
Shuyu Wen1, Chao Zhang1, Junwei Zhang1
1Department of Cardiovascular Surgery, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, Hubei, China.
Frontiers in medicine
|April 28, 2025
概括
机器学习准确地预测了A型大动脉剖析 (AAD) 患者的再灌输风险. XGBoost模型识别了关键的风险因素,使得及时采取预防措施可以改善患者的治疗结果.
科学领域:
- 心血管外科心血管外科
- 医疗信息学 医疗信息学
- 关键护理医学 关键护理医学
背景情况:
- 重灌管是A型大动脉剖析 (AAD) 患者的重大术后并发症,与不良结果相关.
- 重灌预测模型可以帮助临床决策和改善患者管理.
研究的目的:
- 开发和验证一个基于机器学习的平台,用于预测AAD患者的术后再灌输.
- 在这个患者群体中确定与再输管治疗相关的重大风险因素.
主要方法:
- 利用了861名患有AAD的患者队列,分为培训/测试 (688) 和验证 (173) 组.
- 雇佣的最小绝对缩小和选择操作员 (LASSO) 用于风险因素识别和XGBoost用于模型构建.
- 使用AUC,灵敏度和特异性验证模型性能,并使用SHapley添加式扩展 (SHAP) 进行解释.
主要成果:
- 在12.43%的患者中发生了重新输管.
- 确定重入ICU,连续脏替代疗法,ICU停留时间和机械通风持续时间作为关键风险因素.
- XGBoost 模型表现出高性能 (AUC 0.969,灵敏度 0.8889,特异性 0.8611),并开发了一个网络计算器.
结论:
- 在AAD患者中开发了一种经过验证的,高性能的风险预测模型,用于术后再输管.
- 该工具提供了有价值的临床指导,用于预测再灌输和实施预防策略.
