基于机器学习的1年死亡率的预测,使用营养和炎症因素来预测A型急性大动脉剖析与 malperfusion

科学领域:

• 心血管外科心血管外科
• 医疗信息学 医疗信息学
• 生物标志物 生物标志物

背景情况:

• 急性大动脉解剖 (ATAAD) 是一种危急的情况,在这种情况下,输血会使患者的预后恶化.
• 现有的ATAAD风险评估工具往往忽略了营养和炎症因素,限制了它们的预测能力.

研究的目的:

• 开发和评估机器学习模型,用于预测 ATAAD 患者的 1 年死亡率.
• 将营养和炎症指数整合到风险预测模型中,以提高准确性.

主要方法:

• 对433名ATAAD患者进行了反输血的回顾性分析.
• 开发和比较四个机器学习模型 (逻辑回归,XGBoost,随机森林,深度神经网络).
• 使用炎症和营养实验室值,指数和临床变量;用于模型培训和评估的交叉验证和SMOTE.

主要成果:

• 随机森林模型使用炎症和营养实验室值实现了最高的歧视 (AUC=0.8242).
• 在XGBoost模型中,炎症和营养指数表现强 (AUC=0.7334).
• 专蛋白,血小板计数,总胆固醇和C反应蛋白被确定为关键预测因素.

结论:

• 营养和炎症因素是ATAAD患者1年死亡率的关键决定因素.
• 机器学习模型,特别是随机森林和XGBoost,在结合这些因素时有效地分层风险.
• 包括代谢和炎症标志物在内的全面风险评估对于改善ATAAD患者的治疗结果至关重要.