监督机器学习模型预测新生儿手术后低心力输出综合征
Orkun Baloglu1, Xiaofeng Wang2, Bradley S Marino3
1Division of Pediatric Critical Care, Department of Integrated Hospital Care, Children's Institute, Cleveland Clinic Children's. Cleveland Clinic Children's Center for Artificial Intelligence (C4AI), Cleveland, OH.
Critical care explorations
|October 7, 2025
概括
监督机器学习模型准确地预测心脏输出低综合征 (LCOS) 在心胸外科手术后的新生儿. 这些模型具有很高的解释性,可以增强术后关键心脏护理.
科学领域:
- 心血管外科心血管外科
- 新生儿重症监护中心
- 机器学习在医学中的应用
背景情况:
- 低心输出综合征 (LCOS) 是心胸外科手术后新生儿的一个关键并发症.
- 早期预测LCOS对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证监督机器学习 (ML) 模型,用于预测心胸外科手术后48小时内新生儿的LCOS.
- 确定预测LCOS发展的关键临床和实验室变量.
主要方法:
- 一项追溯观察性研究,涉及181名接受心胸外科手术的新生儿.
- 开发LightGBM ML模型,使用手术后前48小时的每小时临床和实验室数据.
- 对于特征重要性评估的SHapley添加式扩展 (SHAP) 分析.
主要成果:
- ML模型实现了高预测性能,AUC值从0.91到0.98.9不等.
- 低血清性肺炎的关键预测因素包括较高的血管活性异构分数,较低的尿量和较高的血清乳酸.
- 在这项研究中,14.9%的新生儿患有LCOS.
结论:
- 监督的ML模型可以准确地预测新生儿的LCOS,提供高可解释性.
- 研究结果支持将这些模型整合到临床工作流程中,以改善术后护理.
- 建议进一步进行多中心验证.
