数据驱动模型合并了几何,生物机械和临床数据,以评估腹腔大动脉动脉瘤的破裂
Marta Alloisio1, Antti Siika2, Joy Roy2
1Department of Engineering Mechanics, KTH Royal Institute of Technology, Stockholm, Sweden.
概括
机器学习模型显著改善了腹腔大动脉动脉瘤 (AAA) 破裂风险评估,而不仅仅是直径. 生物力学因素,而不仅仅是大小,是AAA破裂的关键预测因素.
科学领域:
- 心血管外科心血管外科
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 腹腔大动脉瘤 (AAA) 破裂风险主要以直径进行评估,但这一标准不足以防止所有破裂.
- 破裂是一个复杂的事件,受到简单的大动脉直径以外的多个因素的影响.
研究的目的:
- 评估机器学习 (ML) 模型在提高AAA破裂风险预测方面的有效性,与以直径为基础的评估相比.
- 为了比较逻辑回归 (LogR),线性支向量机 (SVM-Lin),非线性支向量机 (SVM-Nlin) 和高斯素朴贝叶斯 (GNB) 模型.
主要方法:
- 一项回顾性病例控制研究分析了计算机断层扫描血管图像和破裂和无症状AAA的临床数据.
- 使用有限元分析和ML模型,使用SHapley添加式扩展 (SHAP) 来排名预测因素.
- 在整个数据集和直径≤70mm的子组中,使用五倍交叉验证来评估模型性能.
主要成果:
- 与单独的直径相比,ML模型在预测AAA破裂方面表现出更高的准确性 (LogR: 90.2%,SVM-Lin: 89.5%,SVM-Nlin: 88.7%,GNB: 86.4%).
- 直径值 (55毫米男性,50毫米女性) 的准确率为58.0%,灵敏度为99.1%,特异性为36.0%.
- 在SHAP分析中,生物力学参数被认为是破裂的更重要的预测因素,而不是直径.
结论:
- 使用ML模型的多参数风险评估显著提高了超出AAA破裂的基于直径的方法的预测能力.
- 建议通过纵向研究进一步验证基于ML的可预测性方法.
