基于临床参数的机器学习模型,用于预测高血压血红细胞瘤和横瘤患者的手术内血动力学不稳定性

科学领域:

• 内分泌学和新陈代谢学
• 手术瘤学手术瘤学
• 医疗信息学 医疗信息学

背景情况:

• 血红细胞瘤和偏角细胞瘤 (PPGLs) 是可能导致持续高血压的瘤.
• 术内血动力学不稳定性 (HI) 是这些患者在手术期间面临的重大风险.
• 对HI的预测模型对于改善外科手术结果至关重要.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测持续高血压PPGL患者的手术内血动力学不稳定性 (HI).
• 确定与HI风险相关的关键炎症和凝血参数.
• 评估ML模型在预测HI方面的性能.

主要方法:

• 后勤回归 (LR) 在197名接受手术的高血压PPGL患者中确定了HI的独立风险因素.
• 构建了机器学习模型,包括随机森林 (RF) 和支持矢量机器 (SVM).
• 用ROC曲线,DCA,校准图和Hosmer-Lemeshow测试来评估模型性能;SHAP值解释了特征的重要性.

主要成果:

• 白细胞与淋巴细胞的比率 (WLR),中性粒细胞与血小板的比率 (NPR) 和国际正常化比率 (INR) 是HI的独立风险因素 (P <0.05).
• 射频模型表现出强大的预测性能,AUC为0.854 (训练) 和0.812 (测试).
• 在SHAP分析中,WLR被认为是HI的最有影响力的预测因素.

结论:

• 炎症,凝血和临床参数与高血压PPGL患者手术内HI的风险有显著的相关性.
• 机器学习模型,特别是射频模型,在这个患者队列中提供了强大的手术内HI预测能力.
• 这些发现支持基于ML的预测对管理高血压PPGL患者的临床实用性.