在Fontan程序后术后死亡率的预测:使用深度学习人工智能技术的临床预测模型研究
Jacek Kolcz1, Anna Budzynska1, Justyna Stefaniak2
1Department of Pediatric Cardiac Surgery, Collegium Medicum, Jagiellonian University, Wielicka 265 St., 31-007 Krakow, Poland.
Journal of cardiovascular development and disease
|November 26, 2025
概括
一个深度学习模型准确地预测了Fontan手术后的术后死亡率,改善了单心室先天性心脏病患者的风险分层. 确定了诸如肺动脉压力等关键因素,从而提高了个性化的护理.
科学领域:
- 心脏病学 心脏病学
- 医疗人工智能 医疗人工智能
- 计算生物学 计算生物学
背景情况:
- 芬坦手术是针对单心室先天性心脏病 (CHD) 的关键手术.
- 与Fontan手术相关的术后和长期风险需要改进风险分层方法.
- 目前的Fontan手术风险模型在提供准确,个性化的预测方面存在局限性.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于预测Fontan手术后的术后死亡率.
- 确定影响Fontan手术患者死亡风险的关键因素.
- 为个性化风险评估创建一个用户友好的工具.
主要方法:
- 对接受Fontan手术的230名患者 (2010-2024) 的回顾性分析.
- 使用全面的临床,生化和血液动力学数据开发深度神经网络 (DNN) 模型.
- 使用五倍交叉验证,SMOTE用于类不平衡,SHAP用于可解释性,具有Streamlit接口用于临床应用.
主要成果:
- DNN模型实现了高预测性能:91.5%的准确性,83.3%的精度,90.9%的回忆率和0.94的AUC-ROC.
- SHAP分析确定了肺动脉压力,心室末端透气压力,BNP水平和AV反的严重程度作为关键死亡率预测因素.
- 开发了一个Streamlit应用程序,用于可访问,个性化的风险评估.
结论:
- 使用详细的临床数据的DL模型可以准确地预测Fontan手术中的术后死亡率.
- 人工智能驱动的风险评估,增强了可解释性,为个性化患者护理提供了有价值的工具.
- 这种方法有可能改善术前咨询,术后管理和患者的结果,等待外部验证.
