基于初步实验室结果的机器学习的应用,预测急性大动脉解剖风险复杂的介肠透,基于初步实验室结果

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 手术并发症 手术并发症

背景情况:

• 中腔内膜外注 (MMP) 是急性大动脉解剖 (AAD) 的严重并发症.
• 关于MMP风险的预测模型的研究有限.
• 早期识别MMP对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证基于机器学习的模型,用于在AAD之后识别有MMP风险的患者.
• 为了确定预测MMP的关键手术前实验室变量.
• 为了比较六种不同的机器学习算法在预测MMP方面的性能.

主要方法:

• 对435名AAD患者的医疗记录 (2016年1月 - 2022年6月) 的回顾性分析.
• 利用最小绝对收缩和选择运算符 (LASSO) 回归来确定预测变量.
• 使用六种机器学习算法开发和验证了MMP风险模型:逻辑回归,支持矢量分类,随机森林,极端梯度增强,天真贝叶斯和多层感知.
• 使用AUROC评估模型性能,精度,灵敏度,特异性和Brier分数.

主要成果:

• 白细胞计数 (WBC),中性粒细胞计数 (NE),乳酸脱酶 (LDH),血清乳酸和动脉血液pH被确定为关键预测变量.
• 白血球和LDH水平是MMP的独立风险因素.
• 随机森林 (RF) 模型表现出最好的预测性能,在训练组中达到0.888的AUROC,在测试组中达到0.797.

结论:

• 机器学习算法可以有效地利用手术前实验室数据预测AAD患者的MMP风险.
• 开发的RF模型为早期MMP风险评估提供了有价值的工具.
• 这个模型可以支持临床决策在MMP的诊断和治疗.