形胸前动脉损伤的生理现象:使用机器学习对风险分层和手术决策的影响
Phillip D Jenkins1, Michael R Kolesnikov1, Shelby Willis1
1Department of Surgery, Oregon Health & Science University, Portland, OR, United States.
Frontiers in digital health
|February 25, 2026
概括
机器学习识别了三种不同的患者群体的胸大动脉损伤 (BTAI),揭示了生理状态,不仅仅是损伤严重程度,影响结果和指导治疗决策.
科学领域:
- 创伤外科 手术 创伤外科
- 心血管外科心血管外科
- 机器学习在医学中的应用
背景情况:
- 形胸前动脉损伤 (BTAI) 是一种罕见但往往致命的疾病.
- 目前的管理策略面临挑战,因为患者表现不同.
- 伤害严重程度本身可能无法完全预测患者的风险和结果.
研究的目的:
- 应用机器学习来识别BTAI患者的独特生理表型.
- 分析与每个已识别的表型相关的结果.
- 利用可解释的人工智能 (XAI) 了解这些表型的生理驱动因素.
主要方法:
- 来自大动脉创伤基金会注册表的1375名患者的分析.
- K-意味着聚类 (k=3) 以根据11个变量定义三个不同的生理现象型.
- 根据特征的重要性和验证,XGBoost使用SHapley添加式解释 (SHAP) 进行分类.
主要成果:
- 确定了三个表型:"稳定" (n=431),"震惊" (n=398) 和"神经学上受损" (n=254).
- 与"稳定" (7.2%) 相比",震惊" (18.9%) 和"神经性损害" (18.1%) 的死亡率明显高.
- 血压,乳糖和心率等生理标志物是关键的歧视因素,表型之间有类似的治疗模式.
结论:
- 机器学习成功地识别了具有不同死亡风险的独特BTAI表型.
- 生理状态,特别是输液和代谢标记,对于BTAI表型和预后至关重要.
- 这些发现支持使用生理学表型化来改善BTAI风险分层和临床决策.
更多相关视频
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
1.1K
09:32Manufacturing Abdominal Aorta Hydrogel Tissue-Mimicking Phantoms for Ultrasound Elastography Validation
Published on: September 19, 2018
16.1K
