胸腔镜手术后术后肺部并发症的预测模型使用机器学习算法和夏普利添加式扩展
Shenyan Wang1, Yongqi Lin1, Hujuan Shi1
1Department of Intelligent Medical Engineering, School of Biomedical Engineering, Anhui Medical University, Hefei, China.
Journal of thoracic disease
|July 21, 2025
概括
这项研究开发了一种机器学习模型,用于预测手术后的术后肺部并发症 (PPC). 可解释模型准确地识别高风险患者,有助于针对性干预和改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 肺部医学 肺部医学
背景情况:
- 手术后的肺部并发症 (PPC) 显著增加了患者的发病率和死亡率.
- 对手术前和手术内风险因素的有效管理对于减少PPCs至关重要.
- 开发准确的预测模型对于主动干预至关重要.
研究的目的:
- 开发和验证一个可解释的机器学习 (ML) 风险预测模型.
- 通过使用各种验证数据集来评估模型的预测性能.
- 确定导致PPC风险的关键临床因素.
主要方法:
- 利用了1629名接受胸腔镜手术的患者的医疗记录.
- 采用了七个ML算法,包括随机森林 (RF),AdaBoost,XGBoost和整体方法.
- 应用SHapely添加式解释 (SHAP) 模型解释性和风险因素识别.
主要成果:
- 射频算法在内部,时间和外部验证阶段 (AUC从0.73到0.82) 显示出强大的性能.
- SHAP分析确定了与PPC风险相关的显著临床因素.
- 该模型有效地预测了PPC在不同患者队列中的发生情况.
结论:
- 一个基于ML的可解释的PPC风险预测模型得到了验证,并且在临床上适用.
- 该模型有助于识别高风险患者进行有针对性的干预.
- 实施可以带来更好的可修改风险因素的监测和管理.
