一个基于机器学习和模型解释的二次 mitrale 吐患者治疗结果的预测模型
Keyi Liu1, Ting Liu1, Yumen Lang2
1Department of Cardiology, West China Hospital, Sichuan University, Chengdu, Sichuan, 610041, China.
这项研究开发了一种可解释的模型,以预测通过医疗疗来改善二次 mitrale 吐 (SMR). 该模型有助于识别适合进行手术的患者,有助于临床决策.
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:
- 二次 mitrale 吐 (SMR) 在心力衰竭中很常见.
- 目前对SMR的治疗指南不足.
- 指南导向医学疗法 (GDMT) 是SMR的第一线治疗方法.
研究的目的:
- 开发一个可解释的模型来预测医疗治疗的SMR改善.
- 确定那些为手术治疗候选的SMR患者.
- 使用夏普利添加式解释 (SHAP) 来实现模型的解释性.
主要方法:
- 对1572名SMR患者进行了回顾性研究,这些患者有中度或较大的吐.
- 开发的XGBoost模型与其他三种机器学习模型进行了比较.
- 用于变量重要性和影响评估的SHAP方法.
主要成果:
- XGBoost模型实现了最高的预测性能,AUC为0.73.
- SHAP确定了SMR的前20个预测因素.
- 年龄被确定为SMR改善的最重要的预测因素.
结论:
- 开发了一个有效的模型来预测SMR患者的非手术治疗益处.
- 该模型有助于临床医生制定治疗计划并优化资源配置.
- 可解释的框架增强了模型的透明度和临床医生的信任.
更多相关视频
08:31A Simplified Stepwise Approach to Echo Guidance during Percutaneous Mitral Valve Repair
Published on: October 16, 2021
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Mitral Regurgitation III: Medical Management
Mitral Regurgitation II: Clinical Features and Diagnostic Tests
Mitral Regurgitation IV: Nursing Management
Mitral Regurgitation I: Introduction
Mitral Valve Prolapse II: Assessment and Management
Mitral Stenosis II: Clinical features and Diagnostic Tests
