开发基于机器学习的预测模型,用于手术后动脉静脉塞:从2015年到2025年的回顾性队列研究
1Division of Vascular and Endovascular Surgery, Department of Surgery, School of Medicine, Daegu Catholic University, Duryugongwon-Ro 17-Gil 33, Nam-Gu, Daegu 42472, Republic of Korea.
Medicina (Kaunas, Lithuania)
|December 31, 2025
概括
机器学习模型可以准确地预测血液透析患者的动脉静脉塞. 早期识别高风险个体是可能使用常规的临床数据,改善血管访问管理.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 血管外科 血管外科
- 人工智能的人工智能
背景情况:
- 动脉静脉塞 (AVF) 阻塞是血液透析患者血管接入失败的主要原因.
- 早期检测高风险患有AVF封闭的患者可以预防并发症并改善结果.
- 预测建模提供了一种有希望的方法来增强血管访问管理.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测血液透析患者的AVF封闭.
- 确定与AVF失败相关的关键临床,手术和实验室变量.
- 利用可解释AI (XAI) 来提高预测模型的可解释性.
主要方法:
- 对1498名接受AVF创建的成年患者进行了回顾性队列研究.
- 开发和评估五种ML算法:LightGBM,CatBoost,XGBoost,随机森林和物流回归.
- 使用AUC,精度,灵敏度,特异性和校准进行分层的五倍交叉验证和性能评估. 对变量重要性进行SHAP分析.
主要成果:
- 在25.4%的患者 (381/1498) 中发生了AVF封闭.
- 梯度增强模型表现出卓越的性能:LightGBM (AUC=0.887),CatBoost (AUC=0.882) 和XGBoost (AUC=0.879).这些模型的性能都比较好.
- SHAP分析确定了费里丁,血红蛋白,中性粒细胞百分比和C反应性蛋白作为重要的预测因素,表明了炎症和血液状况的作用.
结论:
- 梯度增强ML模型,特别是LightGBM和CatBoost,使用随时可用的临床数据准确预测AVF封闭.
- 可解释的人工智能方法提高了模型的解释性,促进了早期识别高风险患者.
- 这些发现支持在血液透析护理中精确的血管接入管理.
