使用机器学习预测主要下肢截肢后的死亡风险
Ben Li1, Naomi Eisenberg2, Derek Beaton3
1Department of Surgery, University of Toronto, Toronto, Ontario, Canada; Division of Vascular Surgery, St. Michael's Hospital, Unity Health Toronto, Toronto, Ontario, Canada; Institute of Medical Science, University of Toronto, Toronto, Ontario, Canada; Temerty Centre for Artificial Intelligence Research and Education in Medicine (T-CAIREM), University of Toronto, Toronto, Ontario, Canada.
机器学习模型准确地预测了主要下肢截肢后的一年死亡率,优于传统方法. 这些工具可以改善被截肢的高风险患者的决策.
科学领域:
- 血管外科 血管外科
- 机器学习在医学中的应用
- 预测分析是一种预测分析.
背景情况:
- 由于血管疾病而进行的主要下肢截肢,具有很高的外科手术风险.
- 截肢的现有结果预测工具的准确性有限.
- 准确的死亡率预测对于临床决策和患者咨询至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 算法,用于预测主要下肢截肢后的一年死亡率.
- 将ML模型的性能与传统的物流回归进行比较.
- 确定这一患者群体中死亡率的关键预测因素.
主要方法:
- 使用了血管质量倡议 (VQI) 数据库 (2012-2024) 对接受主要下肢截肢的患者.
- 收集了75个特征 (手术前,手术内,术后) 对22,828名患者.
- 训练并评估了六个ML模型,包括极端梯度提升 (XGBoost),使用十倍交叉验证,以接收器操作特征曲线 (AUROC) 下的面积为主要指标.
主要成果:
- 使用手术前数据,XGBoost模型实现了0.88的AUROC,显著超过了后勤回归 (AUROC 0.70).
- 在术后,XGBoost模型表现出极好的性能 (AUROC 0.94),校准强,Brier分数低.
- 关键预测因素包括截肢水平,征兆,并发症和功能状态,在各种子组中表现强.
结论:
- 开发了准确的ML模型来预测1年死亡率后的主要下肢截肢.
- 这些ML算法为增强患者选择,咨询和共享决策提供了巨大的潜力.
- 这些模型为在高风险的手术群体中支持以患者为中心的护理提供了宝贵的工具.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
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
