机器学习方法来预测心脏移植后的一年死亡率:一个单中心研究
Batol Allehyani1, Maria Teresa Savo2, Adel Khwaji3
1Heart Centre, King Faisal Specialist Hospital & Research Centre, Makkah Al Mukarramah Br Rd, Al Mathar Ash Shamali, Riyadh 12713, Saudi Arabia.
European heart journal. Imaging methods and practice
|November 11, 2025
概括
机器学习模型准确地预测心脏移植后的一年死亡率. 关键预测因素包括缺血时间,BMI和支持设备,有助于个性化医疗保健策略.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 心脏移植是对末期心力衰竭的重要治疗方法.
- 预测移植后的患者存活率仍然是一个重大的临床挑战.
- 开发准确的死亡率预测模型对于改善患者的治疗结果至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在预测心脏移植受体1年死亡率方面的有效性.
- 为了比较支持向量机 (SVM) 和物流回归 (LR) 模型的性能,用于此预测任务.
- 确定影响沙特阿拉伯移植后死亡率的关键因素.
主要方法:
- 一项回顾性观察性研究分析了419例心脏移植病例 (2007-2022) 的数据.
- 支持矢量机 (SVM) 和物流回归 (LR) 模型被开发和验证.
- 用准确性,精度,回忆,F1分数和AUC来评估模型性能.
主要成果:
- 后勤回归 (LR) 实现了96.43%的测试准确度,体重和体重指数 (BMI) 作为重要的预测指标.
- 支持矢量机 (SVM) 证明了测试准确率为95.24%.
- 缺血时间,机械支装置 (LVAD,ECMO) 和BMI被确定为关键死亡率预测因素.
结论:
- 机器学习模型,特别是LR和SVM,对于预测心脏移植后1年死亡率非常有效.
- 这些模型可以识别显著的死亡率预测因素,从而实现量身定制的医疗保健策略.
- 这项研究强调了先进的计算方法在优化沙特人口内心脏移植护理的价值.
