在心脏外科手术中基于机器学习的混合风险估计系统 (ERES):从ASA得分分析中获得的补充见解

科学领域:

• 心血管外科心血管外科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 准确预测术后死亡风险对于改善心脏手术后患者的治疗结果至关重要.
• 像EuroSCORE I这样的传统风险模型在捕捉复杂变量相互作用方面存在局限性,导致特定患者群体的表现不足最佳.

研究的目的:

• 开发和验证基于组合的风险估计系统 (ERES),这是一种新的机器学习模型,用于在接受冠状动脉旁路移植和/或门手术的患者中增强死亡率预测.
• 将ERES的预测性能和临床实用性与已建立的EuroSCORE I模型进行比较.

主要方法:

• 在543名心脏手术患者的回顾性分析中,使用6种机器学习算法对手术前临床数据进行了回顾性分析.
• 应用特征选择技术 (Gini重要性,递归特征消除,自适应合成采样) 以提高准确性和解决类失衡.
• 利用SHAP分析和决策曲线分析来识别关键预测因素并评估临床效用.

主要成果:

• 与EuroSCORE I相比,包含15个关键特征的ERES模型表现出优异的预测性能.
• 校准图表显示,ERES的概率估计更准确.
• SHAP分析确定了肌,年龄和左心室喷射率作为最重要的预测因素. 决策曲线分析证实了ERES的卓越临床实用性.

结论:

• 基于组合的风险估计系统 (ERES) 为预测心脏手术患者手术后死亡风险提供了更高的准确性和临床实用性.
• 将ERES等先进的机器学习模型集成到临床实践中,有可能改善决策和患者的治疗结果.
• 建议进行外部验证,以便在临床环境中更广泛地实施ERES.