相关实验视频
Updated: Jan 7, 2026
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.5K
开发和验证可解释的机器学习模型,用于预测非心脏手术术后心力衰竭风险:一个多中心研究
Qing Li1,2, Zizhou Liu1,2, Kunlun He3
1Department of Medicine, South China University of Technology, Guangzhou, China.
Frontiers in medicine
|December 29, 2025
概括
一个新的机器学习模型准确地预测了非心脏手术后心力衰竭 (HF) 风险. 该工具帮助临床医生进行手术前风险分层和有针对性的干预,以改善患者的治疗结果.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 手术后心力衰竭 (HF) 是非心脏外科手术的重大风险.
- 准确预测HF风险对于患者管理和改善结果至关重要.
研究的目的:
- 开发和验证用于预测术后心力衰竭风险的机器学习模型.
- 确定手术后HF的关键临床预测因素.
主要方法:
- 利用了489名非心脏手术患者的数据 (109例心脏病发作,380例对照).
- 采用了8: 2的火车测试分割,并为阶级失衡采用了不足的样本.
- 评估了八个机器学习算法,选择随机森林 (RF) 作为表现最好的.
主要成果:
- 射频模型实现了高预测精度:AUROC 0.919 (培训),0.923 (测试) 和0.878 (外部验证).
- 确定的关键预测因素包括年龄,中性粒细胞与淋巴细胞的比率,血糖,INR,脉,血清肌,血清白蛋白,MCHC,eGFR和透析血压.
- 为临床应用开发了一个基于网络的工具.
结论:
- 开发的模型整合了10个临床变量来分层手术前HF风险.
- 该工具支持有针对性的干预措施,以提高非心脏手术患者的术后结果.
