相关实验视频
Updated: Jul 17, 2026
08:08
Cardiopulmonary Bypass in a Mouse Model: A Novel Approach
Published on: September 22, 2017
11.1K
无监督机器学习以探索心肺旁路术后的炎症
Enrico Squiccimarro1,2, Roberto Lorusso2,3, Paolo Vetuschi4
1Division of Cardiac Surgery, Department of Medical and Surgical Sciences, University of Foggia, Foggia, Italy.
Perfusion
|August 27, 2025
概括
无监督机器学习在心脏手术后发现了两种类型的全身炎症反应综合征 (SIRS):与更糟糕的结果相关的不适应性SIRS和有利结果的适应性SIRS,使个性化护理成为可能.
科学领域:
- 心血管外科
- 免疫学
- 数据科学
背景情况:
- 通过心肺旁路术 (CPB) 的心脏手术经常引发全身炎症反应综合征 (SIRS).
- 对术后结果的SIRS影响仍然复杂,有可能产生有益和有害的炎症反应.
- 了解这些独特的炎症模式对于优化患者护理至关重要.
研究的目的:
- 使用无监督机器学习来区分心脏手术后适应性和不适应性SIRS.
- 调查已确定的SIRS亚型与重大术后不良结果之间的关联.
- 建立针对心脏手术患者炎症的个性化治疗策略的基础.
主要方法:
- 对1908名接受CPB心脏手术的成年患者进行后期分析.
- 根据SIRS标准在手术后12小时使用Gower距离对患者进行分区 (PAM) 算法.
- 多变量逻辑回归分析以评估SIRS亚型与复合结果之间的关系 (死亡,中风/TIA,置换疗法,重新手术,机械支持,长时间的ICU停留).
主要成果:
- 在28. 7%的患者中观察到全身炎症反应综合征 (SIRS).
- 机器学习发现了两个不同的SIRS集群:不适应性SIRS (52. 9%) 具有更高的手术前风险和明显更差的结果,包括30天死亡率 (21. 7%对1. 6%).
- 适应性SIRS (47. 1%) 与SIRS阴性对照相比的良好结果相关. 在特定的群体中,SIRS与复合结果的风险降低有关 (OR 0. 44).
结论:
- 在心脏外科手术中,无监督的机器学习有效地区分了适应性和不适应性SIRS.
- 这种分类为个性化术后管理策略提供了基础.
- 识别与不适应性SIRS相关的可修改因素可能为减轻有害炎症的精准医学方法铺平道路.
