开发和验证出血风险模型用于非抽动冠状动脉旁路移植:多中心回顾性队列研究

科学领域:

• 心血管外科心血管外科
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 术后出血是冠状动脉旁路移植 (CABG) 的重要并发症.
• 现有的出血风险模型往往缺乏针对非 CABG (OPCABG) 患者的特异性,需要量身定制的方法.

研究的目的:

• 专门为OPCABG患者开发和验证一种新的外科手术期间出血预测模型.
• 在OPCABG群体中确定出血风险的关键预测因素.

主要方法:

• 一个回顾性,多中心的队列研究,涉及内部和外部验证.
• 开发和比较十四个机器学习模型,包括随机森林,梯度增强和支持向量机器.
• 利用夏普利添加式解释 (SHAP) 进行模型解释和特征重要性分析.

主要成果:

• 与Random Forest一起开发的10个变量的CABG出血风险 (CABG-BR10) 模型显示出强大的预测性能 (AUC ROC:0.90内部,0.87外部).
• 确定了出血风险的十个关键预测因素,包括抗血小板药物停用,NT-proBNP和凝血参数.
• 为实际临床应用CABG-BR10模型创建了一个在线工具.

结论:

• CABG-BR10模型提供了对OPCABG患者外科手术期间出血风险的准确和可解释的预测.
• 这种新型模型在OPCABG的特异性和临床实用性方面超过了传统的评分系统.
• 这些发现有助于在OPCABG程序中加强风险分层和临床决策.