使用临床,实验室和心声学参数组合预测心血管外科手术后的主要不良事件:机器学习方法
Mladjan Golubovic1,2, Velimir Peric1,2, Marija Stosic1,2
1Clinic of Cardiovascular Surgery, University Clinical Center Nis, 18000 Nis, Serbia.
Medicina (Kaunas, Lithuania)
|August 28, 2025
概括
这项研究开发了一种机器学习模型,用于预测心脏手术后的主要不良心血管事件 (MACE),整合了新的心声和生化标记,以改善风险分层.
科学领域:
- 心脏病学
- 医疗信息学
- 生物医学工程
背景情况:
- 主要心血管不良事件 (MACE) 是心脏手术后死亡的主要原因.
- 目前的风险模型往往缺乏对心房力学和生物标志物的全面评估.
- 改善手术前风险分层对于患者的结果至关重要.
研究的目的:
- 开发一个可解释的机器学习模型来预测外科手术期间的MACE.
- 将临床,生化和新型心声学特征整合到预测模型中.
- 确定影响心血管风险的关键生理标志物.
主要方法:
- 对131名接受重大心脏手术的患者进行回顾性分析.
- 开发一个极端梯度提升 (XGBoost) 分类器.
- 使用了SHapley添加式解释 (SHAPs) 来实现模型的解释性.
主要成果:
- 机器学习模型表现出强大的性能,平均AUC为0.846±0.092,F1得分为0.807±0.096.
- 关键预测指标包括心房通道总时间,心肌/三管环孔区域和HDL胆固醇.
- 该模型提供了对个体风险概况的临床直观见解.
结论:
- 结合心声学,生物化学和机器学习, 提供了个性化心血管风险预测的潜力.
- 新的参数显著提高了预测性能,即使在左心室功能保留的患者中也是如此.
- 临床整合需要在更大的队列中进行前性验证.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.5K
10:03Coronary Progenitor Cells and Soluble Biomarkers in Cardiovascular Prognosis after Coronary Angioplasty
Published on: January 28, 2020
5.4K
