通过机器学习识别的正极管心脏移植后死亡风险的转移决定因素
Kinga Bianka Koritsánszky1,2,3, Rita Szentgróti1,2, Ádám Szijártó1,2
1Heart and Vascular Center, Semmelweis University, H-1122 Budapest, Hungary.
Journal of cardiovascular development and disease
|December 24, 2025
概括
预测心脏移植后的死亡率是一项挑战. 使用手术前和手术后数据的随机森林模型可以准确预测30天和1年的生存期,关键预测因素随着时间的推移而变化.
科学领域:
- 心脏病学 心脏病学
- 移植医学 移植医学
- 在医疗保健中的数据科学.
背景情况:
- 整形心脏移植 (OHT) 是末期心力衰竭的标准治疗方法.
- 准确预测OHT患者的术后死亡率至关重要,但具有挑战性.
- 需要个性化风险评估来优化患者的治疗结果.
研究的目的:
- 开发和解释随机森林模型来预测OHT后的30天和1年的死亡率.
- 确定死亡率的关键预测因素,并检查其重要性的时间变化.
- 用手术前和手术后的数据来评估模型的性能.
主要方法:
- 对581名OHT患者 (2012-2024) 的分析,30天死亡率为9.9%,1年死亡率为17.6%.
- 使用87个手术前和48个手术后变量开发随机森林模型.
- 通过五倍交叉验证和使用SHapley添加式解释 (SHAP) 的可解释性评估进行模型验证.
主要成果:
- 在手术前的模型中,AUC达到0.62 (30天) 和0.67 (1年).
- SHAP分析揭示了不同的预测因素:急性压力 (肝功能障碍,炎症,血液动力学不稳定) 短期,功能,代谢储备,长期脆弱.
- 结合手术后的数据,AUC显著改善至0.98 (30天) 和0.86 (1年),以器官功能障碍的严重程度和持续性为驱动.
结论:
- 随机森林模型整合了手术前和手术后的数据,可以有效预测OHT后的短期和中期死亡率.
- SHAP分析强调了预测重要性的动态转变,强调了动态,数据驱动的风险评估的必要性.
- 这些发现支持在移植护理中加强,个性化患者管理策略.
