节的机器学习模型可以预测跨导管大动脉置换后的一年死亡率和程序徒劳性

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 通过导管的大动脉置换 (TAVR) 的现有风险评分在预测长期死亡率方面具有有限的准确性.
• 这种局限性阻碍了对TAVR患者手术徒劳性的有效决策.

研究的目的:

• 开发和外部验证一种机器学习 (ML) 模型,用于预测TAVR后的1年全因死亡率.
• 该模型仅使用程序前变量,以提高临床适用性.

主要方法:

• 在使用52个变量对1025名TAVR患者进行了ML模型的训练,通过多目标进化算法进行特征选择.
• 最终的13个变量模型在270名患者的独立队列中得到验证,并与已建立的得分进行比较 (EuroSCORE II,FRANCE-2,TAVI2-SCORE).

主要成果:

• 机器学习模型实现了优异的预测性能,AUC为0.81 (发现) 和0.84 (验证),表现优于EuroSCORE II,FRANCE-2和TAVI2-SCORE.
• 该模型显示了强大的校准和显著的净重新分类改进比现有得分,结合变量,如年龄,功能,虚弱,三回.

结论:

• 使用13个常规变量的外部验证的ML模型显著改善了TAVR后1年死亡率预测.
• 该模型的简单性和通用性表明它在临床实践中对于识别TAVR徒劳高风险患者的有用性.