在急性型甲动脉剖析患者中预测术前大动脉破裂风险的Salp swarm优化机器学习模型
Haiyue Bao1, Lijun Sun2, GuanQing Cui3
1National Institute for Data Science in Health and Medicine, School of Medicine, Xiamen University, Xiamen, China.
Frontiers in physiology
|November 17, 2025
概括
机器学习准确地预测了急性甲型大动脉剖析 (ATAAD) 患者的大动脉破裂. 该工具通过识别高风险个体,提高生存率,帮助紧急护理.
科学领域:
- 心血管医学 心血管医学
- 医疗保健中的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 急性A型大动脉解剖 (ATAAD) 是一种危及生命的疾病,具有大动脉破裂的高风险.
- 早期识别患有破裂高风险的患者对于及时进行手术干预和改善结果至关重要.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测ATAAD患者的大动脉破裂.
- 加强临床决策和紧急护理的风险分层.
主要方法:
- 对774名ATAAD患者病历进行了回顾性分析.
- 利用了七个机器学习算法,使用Salp Swarm优化算法 (SSA) 来对随机森林和XGBoost进行超参数调整.
- 使用SMOTE (合成少数人过量采样技术) 解决了类不平衡.
- 使用准确度,F1分数,精度,ROC-AUC,灵敏度和特异性评估模型性能.
主要成果:
- 经过SSA优化的随机森林模型在测试数据集上显示出高性能 (97.41%的准确性,0.980的ROC-AUC,81.82%的F1得分).
- 大动脉破裂的关键预测因素包括估计的膜过率 (eGFR),入院时的低血压和白细胞计数.
- 特性重要性和SHAP分析提供了模型可解释性.
结论:
- 开发的机器学习模型提供了一个定量工具,用于优先考虑ATAAD患者的紧急护理.
- 优化SSA提高了识别高风险患者的准确性.
- 建议进行多中心验证,以确认可通用性.
