2024年欧洲心胸外科协会(EACTS)第38届年会已于葡萄牙里斯本圆满结束。今年大会主题为“Navigating New Horizons(远征新边界)”,聚焦心胸外科的开拓创新、探索发现和薪火相承。
在此次胸心外科全球盛会中,中国医学科学院阜外医院血管中心二病区副主任钱向阳教授带领团队开展的研究《AI驱动的机器学习方法可识别与全弓置换联合象鼻支架植入后30天死亡率相关的风险因素》被大会接收,并进行专场发言,向全世界顶尖心外科医生展示研究成果,让我们对研究摘要一睹为快!
作者感言
急性A型主动脉夹层(ATAAD)作为一种严重的疾病,手术费用高昂、手术风险大、术后患者易出现各种相关并发症,如何降低ATAAD的死亡率,术后早期识别死亡风险较高的患者是亟待解决的问题。目前,外科开放手术修复升主动脉作为一种挽救患者生命的手术,目前仍然是ATAAD的标准治疗措施。与西方国家相比,中国最常用的ATAAD手术是全弓置换(TAAR)联合象鼻支架植入(SETI)的方法。
在之前的研究中,我们采用列线图、网页计算器的方法成功识别出了术后30天内增加TAAR联合SETI患者死亡风险的因素并应用于临床,得到了显著的效果。然而,任何方法都不是完美无缺的,先前建模所采用的回归模型拥有极高的解释度,但缺乏灵活性。我们希望引入机器学习的方法,进一步提升检验效能,优化预测模型,利用两种建模方式的优势互补,使之更好的服务于临床。另外,我们希望通过不同方式的尝试,为未来的预测建模辅助临床决策提供思路。
▲钱向阳教授团队成员张帅在专场汇报交流
原文标题
作者及单位
背景/研究目的
在急诊手术中,急性A型主动脉夹层(ATAAD)患者在住院期间会出现不良结果。
全弓置换术(TAAR)联合象鼻支架植入术(SETI)已成为ATAAD患者外科治疗的可靠选择。
这项研究的目的是利用基于AI的机器学习技术分析接受TAAR联合SETI患者术后30天内死亡风险增加的因素。
患者
2015年1月至2020年12月期间,我们连续收集了843例来我院接受外科治疗的A型主动脉夹层患者。
排除慢性A型主动脉夹层患者,基线资料缺失患者,对余640名患者进一步分析。
将患者以7 : 3 随机分为实验组和验证组。
研究方法
比较不同机器学习预测模型的性能,如 XGBoost、逻辑回归、支持向量机(SVM)和随机森林(RF)。
此外,我们还采用了 SHapley Additive exPlanation (SHAP) 量法来分配解释性归因值。
研究结果
近年来,机器学习(ML)已成为准确预测结果的一种有前途的替代方案。与传统的分析方法相比,机器学习的方式在解决变量和结果之间的非线性和复杂的相互作用时,表现出优越的预测强度和稳定性。本研究利用XGBoost技术,并采用最新的极限机器学习方法来替换缺失的数据。此外,采用PSO (Particle Swarm Optimization)和FL(Focal Loss)进行参数调整,并对模型进行持续优化,以实现最佳的机器学习模型。通过SHAP方法增强了模型中前10位影响因素(性别、年龄、BMI、下肢缺血、EGFR<50 ml/min/1.73m2、ALT、LDH、D-二聚体、红细胞输注、体外循环时间)的可解释性。
研究结果 1
▲(A) 所选变量的热点图
▲通过采用新方法,AUC 值从使用 XGBoost 模型的 0.6981 显著提高到使用 PSO-ELM-FLXGBoost 模型的 0.8687。
研究结果2
▲PSO-FLXGBoost 技术的重要性矩阵图。该模型受到最重要的前 10 个变量的影响。
▲前 10 个重要变量的 SHAP 分析。
结论
本研究成功建立了预测 ATAAD 围术期死亡率的机器学习方法,有助于外科医生评估与病情和治疗相关的风险,并预测 AD 患者死亡率。
本研究亦有助于指导制定和实施有效的治疗策略,以改善患者预后并最终降低死亡率。
专家简介
钱向阳 教授
中国医学科学院阜外医院
上下滑动查看更多
版权及免责声明:心外时空旨在搭建学术交流传播平台,本平台对发布的资讯内容,并不代表同意其描述和观点。文内信息版权属于持有人,如有侵权,请联系我们处理。本平台发布内容仅供医学专业人士参考,不应以任何方式取代专业医疗指导,也不应被视为诊疗建议。如文内信息被用于了解资讯以外目的,本平台及作者不承担相关责任。如有平台转载本篇文章,须自行对该篇文章负责,心外时空不对转载引起的二次传播负责。合作联系邮箱:cardiovascular_st@126.com
点赞或分享 让我们共同成长