可解释的人工智能可预测冠状动脉旁路移植后未能救援的术前风险因素
Rameshbabu Manyam1, Pengfei Lou1, Hong-Jui Shen1
1Department of Biostatistics and Bioinformatics, Rollins School of Public Health, Emory University, Atlanta, Ga.
The Journal of thoracic and cardiovascular surgery
|October 2, 2025
概括
人工智能识别了冠状动脉旁路移植 (CABG) 后未能救援 (FTR) 的关键手术前风险因素. 该模型有助于预测FTR,改善术后心胸护理质量.
科学领域:
- 心胸外科手术 心胸外科手术
- 人工智能在医学中的应用
- 改善医疗保健质量 改善医疗保健质量
背景情况:
- 救援失败 (FTR) 是术后心胸护理中的一个关键指标.
- 在冠状动脉旁路移植 (CABG) 后预测FTR对于改善患者的治疗结果至关重要.
研究的目的:
- 开发一个可解释的人工智能 (AI) 模型,以识别和整合CABG后FTR的手术前风险因素.
- 为了确定预测FTR的最佳一组风险因素.
主要方法:
- 对9974名接受隔离CABG (2011-2022) 的成年患者的分析.
- FTR定义为中风后的30天死亡率,功能衰竭,重新手术或长时间通风.
- 人工智能方法,包括递归特征消除和随机森林,用于识别35个手术前变量. 为了模型的可解释性,夏普利添加式解释 (SHAP).
主要成果:
- 总体而言,FTR率为2.5%,达到2.5%.
- 确定了12个主要的危险因素:年龄,白蛋白,胆红素,BMI,肌素,射出分数,血红素,血红蛋白,HbA1c,MELD得分,血小板,白血球计数.
- 随机森林模型实现了0.78.8的精度回忆曲线下的面积.
结论:
- 人工智能算法有效地识别和解释了CABG后FTR的手术前风险因素.
- 随机森林模型显示,在识别高风险患者方面存在严重的歧视.
- 该框架作为一个潜在的实时临床决策支持工具的概念验证.
