基于机器学习的预测术后急性损伤风险在冠状动脉旁路移植患者
Yang Zhang1, Dabei Cai2, Ye Deng2
1Department of Cardiovascular Surgery, The Affiliated Hospital of Xuzhou Medical University, Xuzhou, 221000, People's Republic of China.
机器学习模型在冠状动脉旁路移植 (CABG) 后准确预测急性损伤 (AKI). 现在可以及早识别高风险患者,改善严重冠状动脉疾病患者的治疗结果.
科学领域:
- 心脏病学 心脏病学
- 腎臟病學 (nephrology) 是一種醫學.
- 医疗信息学 医疗信息学
背景情况:
- 术后急性损伤 (AKI) 是冠状动脉旁路移植 (CABG) 后的一种严重并发症.
- 在CABG后的AKI与死亡率增加和住院时间延长有关.
- 目前缺乏可靠的预测模型,用于CABG后早期AKI检测.
研究的目的:
- 开发和评估机器学习模型,用于在接受CABG的患者中早期预测AKI.
- 确定预测CABG后AKI发展的关键临床变量.
主要方法:
- 分析了520名CABG患者的数据,分为培训 (70%) 和验证 (30%) 组.
- 在使用LASSO回归进行变量选后,构建了六个机器学习模型 (RF,XGBoost,LR,LightGBM,Softmax回归,SVM).
- 为了确定特征的重要性,使用了夏普利添加式扩展 (SHAP).
主要成果:
- 在CABG后的AKI发生率为25.96%.
- 在训练组中,XGBoost模型表现优异 (AUC=0.89).
- 物流回归和软max回归模型在验证组中显示出高稳定性 (AUC=0.86).
- 估计的淋巴细胞过率 (eGFR),手术期间的上腺素和水平被确定为SHAP分析的顶级预测因素.
结论:
- 机器学习模型可以有效地预测 AKI 遵循 CABG.
- 这些模型有助于早期识别患有AKI高风险的患者.
- 早期预测允许及时干预,以减轻不良结果.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
03:13Technical Refinement of a Bilateral Renal Ischemia-Reperfusion Mouse Model for Acute Kidney Injury Research
Published on: November 3, 2023
相关概念视频
Acute Kidney Injury IV: Diagnostic Studies and Prevention
Acute Kidney Injury I: Introduction
Acute Kidney Injury II: Pathophysiology
Cardiac Catheterization I: Pre-Procedure Overview
Kidney Transplant II: Surgical Procedure
Acute Kidney Injury VI: Nursing Management
