开发基于机器学习的预测模型和临床导向的Web应用程序,用于心脏手术后的30天死亡率
Telmo Miguel-Medina1, Susel Góngora Alonso1, Isabel de la Torre Díez1
1eHealth and Telemedicine Group (GTe), University of Valladolid, 47011 Valladolid, Spain.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
一个新的机器学习模型准确地预测心脏手术患者的30天死亡率. 一个网络应用程序允许实时风险评估,帮助临床决策.
科学领域:
- 心血管外科心血管外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 心脏外科手术带有显著的30天死亡风险.
- 准确的手术前风险评估对于患者管理至关重要.
- 现有的预测模型可能缺乏实时临床集成.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测心脏手术中的30天死亡率.
- 为实时模型实现创建面向临床医生的Web应用程序.
- 加强手术前风险评估和临床决策支持.
主要方法:
- 对325名心脏手术患者的回顾性分析.
- 监督机器学习,包括XGBoost模型培训和交叉验证.
- 基于StreamLit的Web应用程序的开发,并具有SHAP可解释性.
主要成果:
- XGBoost模型实现了高性能:AUC-ROC为0.968,召回为0.800,布赖尔得分为0.058.
- 网络应用程序提供实时死亡率预测与模型透明度.
- 临床医生的反表明,该工具是直观的,对风险评估有价值.
结论:
- 一个强大的ML模型与功能性Web应用程序集成,为心脏手术决策提供了一个实用的工具.
- 综合方法提高了风险预测的准确性和可访问性.
- 计划进行进一步的多中心验证和以用户为中心的改进.