可解释的机器学习模型用于预测心脏手术后患者的消化障碍风险
Xuan Ren1, Junchen Fan2, Huajun Wang3
1School of Nursing, Guangdong Pharmaceutical University, Guangzhou, China.
BMC surgery
|March 2, 2026
概括
一个新的机器学习模型准确地预测心脏手术后的消化不良. 这种工具有助于识别高风险患者进行早期干预,改善结果并减少并发症.
科学领域:
- 医疗信息学 医疗信息学
- 心脏病学 心脏病学
- 手术并发症 手术并发症
背景情况:
- 缺食症是心脏手术后的严重并发症,导致吸气性肺炎,营养不良和长时间住院.
- 准确,早期识别高风险患者对于有效的预防策略至关重要.
- 现有的风险评估方法在预测手术后失足症方面存在局限性.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测心脏手术患者的缺食风险.
- 为了提高识别高风险患有手术后消化不良症的个体的准确性.
主要方法:
- 一项前性观察队列研究包括573名心脏手术患者.
- 开发和比较了八种ML模型,包括后勤回归,XGBoost和梯度增强机 (GBM).
- 用AUC,准确性,精度,回忆,F1得分,校准曲线和决策曲线分析来评估模型性能.
主要成果:
- 手术后失足症的发生率为23.03%.
- GBM模型实现了最高的性能,AUC为0.851.
- 关键预测因素包括年龄,糖尿病,慢性肺/病,心房动,输管时间和镇静剂持续时间.
结论:
- 开发的ML模型准确地识别了患有术后食障碍高风险的患者.
- 该模型为有针对性的预防干预和改善患者治疗结果提供了基础.
- 将这种模型集成到临床工作流程中可以减少与缺食相关的并发症.
