在使用监督机器学习算法的跨导管大动脉替换患者中,停留时间的预测因素
Gregory L Judson1, Jeff Luck2, Skye Lawrence2
1Department of Medicine Division of Cardiology, University of California-San Francisco, San Francisco, California, USA; Department of Medicine Division of Cardiology, Maine Medical Center, Portland, Maine, USA.
JACC. Advances
|June 25, 2025
概括
机器学习算法可以预测透气管大动脉置换 (TAVR) 后的短期和长期住院时间. 这种方法确定了新的预测因素,有可能改善患者的护理和减少住院时间.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 医疗保健服务研究 医疗服务研究
背景情况:
- 过导管大动脉置换 (TAVR) 后住院时间 (LOS) 正在改善,但准确的预测仍然具有挑战性.
- 识别影响早期和晚期出院的因素对于优化患者管理和医院资源至关重要.
研究的目的:
- 开发一种新的机器学习 (ML) 算法,用于预测TAVR患者的短停留时间 (SLOS) 和长停留时间 (LLOS).
- 为了确定之前未被识别的TAVR后LOS的预测因素.
主要方法:
- 分析了来自21个美国中心 (2017-2021) 的9,172个门诊TAVR手术,使用了Biome数据集.
- 开发和测试监督的随机森林ML算法,以预测SLOS (<36小时) 和LLOS (≥72小时).
- 将ML模型性能与标准多变量模型进行比较.
主要成果:
- ML模型确定了20个 (SLOS) 和22个 (LLOS) 重要的预测因素.
- 与多变量模型 (SLOS AUC 0.65,LLOS AUC 0.65) 相比,ML模型显示出更高的预测能力 (SLOS AUC 0.82,LLOS AUC 0.85).
- 发现的新型预测因素包括手术持续时间,手术后的物理治疗和手术的周日.
结论:
- 机器学习算法在确定TAVR后短期和长期住院的新型预测因子方面表现有前途.
- 这些发现可以为有针对性的质量改善计划提供信息,以减少TAVR逗留时间.
