预测双肺移植后肺移植功能障碍的机器学习:使用捐赠者,接受者和手术内变量的单中心研究
Julien Fessler1,2, Cédric Gouy-Pailler3, Wenting Ma2
1Department of Anesthesiology, Hôpital Foch, Suresnes, France.
概括
一个新的机器学习工具可以使用手术内数据预测肺移植后的初级移植功能障碍 (PGD3-T72). 这允许潜在的早期干预,以改善患者的治疗结果.
科学领域:
- 胸部外科手术 胸部外科手术
- 移植免疫学 移植免疫学
- 医疗信息学 医疗信息学
背景情况:
- 72小时后的初级移植功能障碍 (PGD3-T72) 是肺移植后的一个关键并发症.
- 早期识别PGD3-T72对于及时干预和改善患者预后至关重要.
研究的目的:
- 开发和验证用于预测PGD3-T72.7的手术内机器学习工具.
- 确定PGD3-T72.2的关键外科预测因素.
主要方法:
- 对477名双肺移植患者的术后数据进行了回顾性分析.
- 开发和比较监督机器学习模型 (XGBoost,后勤回归) 用于PGD3-T72预测.
- 使用网格搜索和交叉验证进行超参数优化.
主要成果:
- 在17.3%的患者中发生PGD3-T72.
- 在第二个移植植入阶段,XGBoost模型实现了接收器操作特征曲线 (AUROC) 下的面积为0.84.
- 关键预测因素包括体外膜氧化 (ECMO) 的使用,乳酸盐水平,PaO2/FiO2比率和肺容量不匹配.
结论:
- 使用机器学习,对PGD3-T72的内科预测是可行的和可靠的.
- 开发的工具显示了促进患有PGD3-T72.2风险的肺移植接受者的早期干预的潜力.
