基于机器学习的非心脏手术心血管风险计算器
Nour Al Khatib1, Ali Chehab1, Hani Tamim2,3
1Department of Electrical and Computer Engineering, American University of Beirut Maroun Semaan Faculty of Engineering and Architecture, Beirut, Lebanon.
使用LightGBM的机器学习模型准确地预测了50岁以上接受非心脏手术的患者的心血管风险. 这种工具有助于识别高风险个体,以获得更好的外科手术结果.
科学领域:
- 心血管医学 心血管医学
- 机器学习在医疗保健中的应用.
- 手术风险评估手术风险评估
背景情况:
- 全球4%的人口每年接受非心脏手术.
- 30%的这些患者有心血管风险因素,30天死亡率为0.5%-2%.
- 在这个人群中需要准确的心血管风险预测.
研究的目的:
- 开发一个可解释的机器学习模型用于心血管风险评分.
- 预测50岁以上接受非心脏手术的患者的风险.
- 从手术日期到手术后30天评估风险.
主要方法:
- 使用了NSQIP 2022数据集 (4,970,011名患者).
- 主要终点定义为30天死亡,心肌梗塞,心脏骤停或中风.
- 使用AUROC.训练和评估多个机器学习算法 (逻辑回归,天真贝叶斯,随机森林,提升树木).
主要成果:
- 轻GBM实现了最高的AUROC,即0.9009 (95%CI:0.8889-0.9126).
- 最好的模型确定了六个关键预测因素:手术类型,ASA分类,BUN,败血症,紧急手术和机械通风.
- 该模型表现出强大的预测准确性和概括性.
结论:
- 在这种情况下,LightGBM分类器是心血管风险评分的最佳选择.
- 该模型有效地平衡了预测准确性和概括性.
- 确定了非心脏手术患者心血管风险评估的关键因素.
更多相关视频
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Cardiomyopathy VII: Pre and Post Operative Nursing Management
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
