在患有外围动脉疾病的患者中,可解释机器学习预测主要心血管不良事件的模型
Pan Song1, Xinjun Liu2, Liang Wang3
1School of Nursing, Southwest Medical University, Luzhou, Sichuan Province, China.
这项研究开发了一种可解释的机器学习模型,用于预测周围动脉疾病 (PAD) 患者的主要不良心血管事件 (MACE). 梯度提升模型准确地识别高风险个体,帮助及时制定预防策略.
科学领域:
- 心血管医学 心血管医学
- 医疗保健中的人工智能
- 生物统计学 生物统计学
背景情况:
- 周围动脉疾病 (PAD) 显著增加了主要不良心血管事件 (MACE) 的风险,需要早期识别高风险患者.
- MACE包括心肌梗塞,中风和心血管死亡率,代表了PAD患者预后不佳的严重并发症.
- 开发准确和可解释的预测模型对于管理PAD负担及其相关心血管风险至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测PAD患者的MACE风险.
- 为了确定关键的临床变量,这些变量有助于MACE预测在这个患者群体.
- 为临床医生创建一个实用的工具,以评估和管理PAD患者的MACE风险.
主要方法:
- 一项涉及1558名PAD患者的回顾性多中心研究,数据分为培训,内部和外部验证.
- 使用单变量分析,LASSO逻辑回归和随机森林进行特征选择;用于模型构建,使用了10个ML算法.
- 使用歧视和校准指标评估模型性能;为了可解释性,使用了SHapley添加式解释 (SHAP),最终模型以基于Web的计算器的形式呈现.
主要成果:
- 梯度增强模型表现出卓越的性能,曲线下的面积 (AUC) 为0.864 (内部) 和0.777 (外部验证).
- MACE的主要预测因素包括多血管疾病,脑血管疾病,血红蛋白A1c,C反应蛋白,白蛋白,外周动脉手术,冠状动脉疾病和中性粒细胞.
- 在1558名患者中,共有469名患者 (30.1%) 在19 ± 11.3个月的随访期间经历了MACE.
结论:
- 渐变增强ML模型是有效的,并且在临床上适用于预测PAD患者的MACE风险,这是通过外部验证证实的.
- 使用SHAP和基于网络的计算器提高了模型的解释性,使临床医生能够了解MACE的风险因素.
- 这种预测工具可以使临床医生能够识别有风险的个体,并及时实施预防性干预,以获得更好的患者结果.
更多相关视频
08:42Ultrasound Assessment of Endothelial-Dependent Flow-Mediated Vasodilation of the Brachial Artery in Clinical Research
Published on: October 22, 2014
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Peripheral Artery Disease III: Interprofessional Care
Peripheral Arterial Disease II: Clinical Manifestations and Diagnostic Evaluation
Peripheral Artery Disease I: Introduction
Peripheral Artery Disease IV: Nursing Management
Peripheral Artery Disease V: Postoperative Nursing Management
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
