使用机器学习来预测经过过导管治疗的患者的不良事件 左心房尾闭塞
Kamil F Faridi1, Bobak J Mortazavi2, Sicong Huang2
1Section of Cardiovascular Medicine, Department of Medicine, Yale School of Medicine, New Haven, Connecticut, USA; Center for Outcomes Research and Evaluation, Yale New Haven Health, New Haven, Connecticut, USA.
机器学习,特别是XGBoost,与标准模型相比,在左心房尾闭塞 (LAAO) 程序后改善了主要不良事件的预测. 虽然它对复合事件有效,但对于罕见的单个结果,它的表现有所不同.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 标准心血管风险模型在预测罕见事件方面存在局限性.
- 机器学习 (ML) 具有提高预测准确性的潜力.
研究的目的:
- 为了比较国家心血管数据注册处 (LAAO) 记录中标准和ML方法的预测性能.
- 评估医院内重大不良事件 (MAE) 和LAAO患者个体事件的预测模型.
主要方法:
- 使用后勤回归 (LR),LASSO和极端梯度提升 (XGBoost) 来进行预测.
- 雇佣了70%的开发和30%的验证队列分割.
- 评估模型使用来自LAAO注册表的16个变量,并扩展了51个变量.
主要成果:
- 与LR和LASSO相比,XGBoost在预测复合MAE方面表现优越.
- 在扩展变量时,XGBoost (AUC 0.653) 对MAE的表现略高于LASSO (AUC 0.644).
- 在所有方法中,对不常见事件的预测性能下降;XGBoost在死亡率预测方面呈现增量改善.
结论:
- XGBoost增强了全国LAAO队列中复合MAE和几个单个事件的歧视.
- 虽然XGBoost改善了对罕见死亡事件的预测,但这对所有罕见结果都不一致.
更多相关视频
08:49Author Spotlight: Enhancing Graft Viability Assessment Through Quantitative Metrics and Innovative Reservoir Systems
Published on: August 2, 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
Surface Appendages of Archaea
Predicting Molecular Geometry
Machines
A free-body diagram of the...
Local Anesthetics: Adverse Effects
Once absorbed into the systemic circulation, local anesthetics can affect the organs that depend on the functioning of sodium...
Machines: Problem Solving II
Machines: Problem Solving I
The toggle clamp system is a machine structure consisting of movable, pin-connected multi-force members that form a stabilized system to transmit forces. The...
