基于可解释的机器学习模型,构建和验证手术后支架封闭症的预测模型,用于支架静脉支架的患者
Yan Jiang1, Dan Nie2, Lifeng Zhang2
1Department of Vascular Surgery, Ya'an Hospital of Traditional Chinese Medicine, Ya'an, Sichuan, China.
Frontiers in surgery
|December 4, 2025
概括
这项研究开发了一种可解释的机器学习模型,以预测脉静脉支架封闭风险. 该模型显示了高准确性,并确定了个性化治疗的关键风险因素.
科学领域:
- 血管外科 血管外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 手术后的阴道静脉支架封闭是一个显著的并发症.
- 准确的风险预测对于患者管理和治疗优化至关重要.
- 当前的预测模型可能缺乏可解释性和稳定性.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测术后阴道静脉支架封闭风险.
- 确定与支架封闭相关的关键临床和人口因素.
- 将开发模型的性能与传统方法进行比较.
主要方法:
- 七家医院826名患者的回顾性队列研究 (2017年1月至2024年6月).
- 使用改进的红杉优化算法 (ISequoiaOA) 开发自动化机器学习 (AutoML) 框架.
- 整合LASSO特征选择和SHAP (夏普利添加式扩展) 的解释性;使用ROC-AUC,PR-AUC,校准和决策曲线分析 (DCA) 的模型评估.
主要成果:
- 自动ML模型在测试组件上实现了高性能,ROC-AUC为0.9251和PR-AUC为0.8712.
- 与传统方法相比,决策曲线分析表明在广泛的门范围内 (1%-87%) 的临床效用优于传统方法.
- SHAP分析确定了关键风险因素,包括致病三位一体 (DVT,Cockett,PE),血液动力学值,支架几何形状和炎症标记 (CRP,D-二次体).
结论:
- 一个可解释的AutoML模型有效地预测了下静脉支架封闭风险.
- 该模型在预测准确性和临床实用性方面超越了传统方法.
- 这些发现支持基于已识别的风险因素的个性化抗凝策略和支架优化.
更多相关视频
06:17Murine Model of Central Venous Stenosis using Aortocaval Fistula with an Outflow Stenosis
Published on: July 11, 2019
7.8K
07:02A Rabbit Venous Interposition Model Mimicking Revascularization Surgery using Vein Grafts to Assess Intimal Hyperplasia under Arterial Blood Pressure
Published on: May 15, 2020
6.2K
