基于机器学习的预测模型对动脉静脉瘤血栓形成风险:从2017年到2024年的回顾性队列研究
Peng Shu1, Ling Huang2, Xia Wang2
1The Central Hospital of Wuhan, Tongji Medical College, Huazhong University of Science and Technology, No.26, Shengli Street, Jiang'an District, Wuhan, Hubei Province, China. 312855784@qq.com.
BMC nephrology
|July 2, 2025
概括
一个新的机器学习模型准确地预测了血液透析患者的动脉静脉瘤血栓形成风险. 关键预测因素包括手术史,狭窄和炎症标志物,使个性化干预成为可能.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 生物医学信息学 生物医学信息学
- 数据科学数据科学数据科学
背景情况:
- 动脉静脉囊血栓形成是血液透析患者的常见并发症.
- 目前的方法缺乏可靠的工具来预测血栓形成风险.
- 这项研究的目的是开发一种可解释的机器学习模型,用于预测动脉静脉栓塞.
研究的目的:
- 开发和验证一种可解释的机器学习模型,用于预测动脉静脉囊血栓形成风险.
- 确定与血栓形成相关的关键临床特征.
- 为个性化风险评估和干预提供一个工具.
主要方法:
- 追溯收集了1168名血液透析患者的临床数据.
- 开发和评估六个机器学习模型 (随机森林,XGBoost等). 使用55个功能.
- 使用AUC-ROC,F1得分,精度,回忆和特异性的性能评估;用SHAP值评估的特征重要性.
主要成果:
- 随机森林模型实现了卓越的性能,AUC-ROC为0.984.
- 确定的主要预测因素包括手术数量,狭窄,自由脂肪酸,血小板计数和C反应蛋白.
- SHAP分析提供了关于特征对血栓形成风险的贡献的见解.
结论:
- 一个可解释的随机森林模型有效地使用患者临床数据预测动脉静脉瘤血栓形成风险.
- SHAP分析促进了个性化,基于证据的护理干预措施.
- 该模型显示了改善血液透析环境中的患者护理的前景.
