机器学习预测ESRD患者的心脏事件:临床决策支持框架
Chien-Wei Chuang1,2, Chung-Kuan Wu3,4,5, Chao-Hsin Wu1,2
1Graduate Institute of Business Administration, Fu Jen Catholic University, New Taipei City 242062, Taiwan.
Diagnostics (Basel, Switzerland)
|May 14, 2025
概括
机器学习模型可以预测末期病 (ESRD) 患者的主要不良心脏事件 (MACE). 关键预测因素包括抗血小板使用,左心室缩和血清白蛋白,使个性化治疗计划成为可能.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 心脏病学 心脏病学
- 人工智能的人工智能
背景情况:
- 末期病 (ESRD) 患者面临重大心脏不良事件 (MACE) 的风险增加.
- 准确的风险预测和量身定制的干预措施对于管理ESRD患者的MACE至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测ESRD患者的MACE.
- 确定MACE风险的关键预测特征.
- 通过改进风险评估来加强临床决策.
主要方法:
- 在 84 个变量 (人口统计,实验室,并发症) 的数据集上使用了 CatBoost,XGBoost 和 LightGBM.
- 采用特征选择,交叉验证和SHAP分析来确定模型的可解释性.
- 使用AUC,灵敏度和特异性评估模型性能.
主要成果:
- CatBoost实现了最高的预测性能,其AUC为0.745.
- 对MACE的显著预测因素包括抗血小板使用,左心室缩等级和血清白蛋白.
- SHAP分析改善了模型的解释性,有助于临床医生领导的风险分层.
结论:
- ML模型显示了增强ESRD患者的MACE风险评估的希望.
- 将可解释的人工智能集成到临床工作流中可以支持个性化治疗规划.
- 未来与EHR系统的整合可以实现实时决策并改善患者的治疗结果.
