使用机器学习预测血管内甲状腺再血管化后的结果

科学领域:

• 血管外科 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:

• 血管内甲状腺血管再血管化是对外周动脉疾病的普遍治疗方法.
• 这种程序涉及重大风险,需要改进结果预测.
• 目前对于这种干预措施的结果预测工具有限.

研究的目的:

• 开发和评估用于预测30天后手术结果的机器学习算法.
• 确定影响主要不良肢体事件 (MALE) 或死亡的术前因素.
• 将机器学习模型的性能与传统的物流回归进行比较.

主要方法:

• 利用国家外科质量改进计划的针对性血管数据库 (2011-2021年).
• 包括6601名接受了内血管大心血管再血管化的患者.
• 训练了6个机器学习模型,包括XGBoost和后勤回归,使用37个手术前变量和10倍交叉验证.

主要成果:

• 该XGBoost模型实现了接受器操作特征曲线 (AUROC) 下的面积为0.94 (95%CI:0.93-0.95).
• 后勤回归产生了明显较低的AUROC,为0.74 (95%CI:0.73-0.76).
• 该研究发现,7.1%的患者经历了30天的MALE或死亡.

结论:

• 机器学习,特别是XGBoost,提供了一种非常准确的方法,用于预测30天MALE或血管内甲状腺再血管化后的死亡.
• 这些先进的预测模型可以增强临床决策和患者风险分层.
• 开发的XGBoost模型在预测不利结果方面明显优于物流回归.