利用数据驱动的机器学习:从可解释的风险预测到基于层次的集群的术后妄想的亚型,在潜在的非心脏手术队列中
Jin-Yun Shi1, Da-Peng Gao2, Rong Chen3
1Department of Anesthesiology, Affiliated Hospital of Integrated Traditional Chinese and Western Medicine, Nanjing University of Chinese Medicine, Nanjing 210028, China.
Journal of clinical anesthesia
|September 19, 2025
概括
这项研究开发了一种机器学习 (ML) 模型来预测术后痴呆症 (POD),并确定了三种不同的患者亚型. 随机森林模型显示出高准确度,使得个性化风险分层成为更好的患者结果.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
- 医疗保健中的机器学习
背景情况:
- 手术后痴呆症 (POD) 是一种常见的并发症,影响患者的治疗结果.
- 准确的预测和POD风险的分层对于有针对性的干预至关重要.
研究的目的:
- 开发一种可解释的机器学习 (ML) 模型,使用外科指标预测POD.
- 通过等级分类来识别不同的,数据驱动的POD子类型.
- 增强个人化风险分层对POD.
主要方法:
- 对非心脏手术的前性观察性研究 (n=1106) 的二次分析.
- 使用LASSO回归进行特征选择;对六种ML算法进行比较 (随机森林,神经网络等). ) 的情况.
- 用于模型解释和外部验证的SHapley添加式解释 (SHAP);用于POD亚型识别的层次聚类.
主要成果:
- 随机森林模型实现了0.85的AUC,确定手术持续时间,MMSE和埃德蒙顿脆弱度量作为关键预测因素.
- 层次分类揭示了三种POD亚型:高风险 (并发症,炎症),弹性和高级年龄/脆弱性.
- 在亚型中观察到住院时间和12个月生存率的显著差异 (p < 0.001).
结论:
- 机器学习模型,特别是随机森林,有效地预测POD.
- 确定了三种新的,数据驱动的POD亚型,具有不同的临床形状和预后.
- 这些发现支持个性化风险分层和针对POD的有针对性的干预措施.
