✦
深度学习辣汤小组文献阅读学习之一百四十七篇
✦
通过机器学习预测心脏手术后急性肾损伤的发展
DeepLearning 深度学习辣汤小组
2023/12/11
2020年，来自台湾国立阳明大学医学院临床医学研究所的Tseng Po-Yu等人基于机器学习方法通过术中数据来预测心脏手术相关的急性肾损伤（CSA-AKI，Cardiac surgery–associated acute kidney injury）。并在Critical Care期刊上（IF：9.092）发表题为“Prediction of the development of acute kidney injury following cardiac surgery by machine learning”的文章。
DOI：
https://doi.org/10.1186/s13054-020-03179-9
一、研究背景
CSA-AKI堪称导致心脏手术后患病率以及病死率上涨的首要并发因素。根据2004至2014年间，以全球范围内CSA-AKI的发病率与预后为对象的一项meta分析表明，AKI各个进展阶段的发生率大约为22%，合并的短期以及长期死亡率分别为10.7%以及30%，这一数值随着AKI病情的加重而逐渐上升，同时在心脏手术后，血清肌酐只要稍有上升，便会导致30天死亡率明显走高。
CSA-AKI的病理生理学机制极为复杂，当前仍未得到全面揭示。已有的预测模型多仅限于非线性关系分析，并且没有充分考虑代表对手术的急性反应的术中变量。因此，为了更精准地应对管理CSA-AKI，迫切需要一个能够识别高危人群的精确预测模型，从而优化术后诊疗策略。本研究采用机器学习算法构建了一个精准预测CSA-AKI的模型，并利用术前变量与术中数据对预测模型进行优化。
二、数据集
本研究回顾了2016年8月至2018年8月在新台北市远东纪念医院接受冠状动脉搭桥术、瓣膜置换术以及两者联合治疗的671例患者的病历。收集了患者人口学特征、临床状况、术前生物化学数据、术前用药和术中时间序列血流动力学特征（收缩压、舒张压、平均动脉压和心率）。数据被随机分为两组，70%用于训练集，30%用于测试集。
三、方法
为了解决建模训练集中数据分布不均的问题，本研究将正例的样本复制了5次，以防止过度拟合。分别使用逻辑回归、决策树、支持向量机（SVM，support vector machine）、随机森林（RF，random forest）、XGboost、组合模型（RF+XGBoost）对CSA-AKI进行术后预测，在训练这些模型的时候加入术中变量作为特征，使用ROC曲线下面积（AUC）来评估每个预测模型的性能。最后使用SHAP对单一预测模型中表现最佳的进行解释。
四、结果与结论
6个机器学习模型的AUC如图1所示，关于仅靠单一模型进行预后预测的效果，RF模型展现出最高的AUC，为0.839，置信度为95%的区间为0.772至0.898。组合模型的AUC为0.843，置信度同样为95%，区间为0.778至0.899，比仅使用RF的模型具有更好的表现。决策树模型则展示出最小的准确率AUC，为0.78。
图2展示了RF模型的特征重要性矩阵，揭示了对模型贡献最大的前五个变量，包括术中尿量、术中红细胞悬浮液输注、术前血红蛋白、术前血清肌酐和术前肾小球滤过率。在最重要的20个特征中，有14个是术中变量，8个是时间序列变量。
为了识别对预测模型影响最为显著的特征，本研究绘制了RF预测结果的SHAP概要图（如图3所示），包括了预测模型的前20个特征。根据预测模型，特征的SHAP值越高，AKI发生的可能性就越大。同时，SHAP依赖图（如图4所示）也可用于理解单个特征如何影响RF预测模型的输出，本研究选择了前4个最重要的影响特征：术中尿量、术中pRBC输血、术前血红蛋白（HGB）、术前血清肌酐。图中的水平轴代表特征的SHAP值，垂直轴的数值为特征在SHAP依赖图中的值。我们可以清晰地观察到特征的相对重要性随着其数值变化而发生的变动。特别地，特征的SHAP值若超过零，即意味着AKI发生的风险增加。
综上所述，本研究成功运用机器学习方法对CSA-AKI的预测进行了深度研究。这个研究成果有助于在术后评估风险。并且发现，手术过程中的时间序列和其他因素对于预测CSA-AKI是非常重要的。
图1：机器学习模型间AUC的比较
图2：RF模型的特征重要性矩阵图
图3：RF模型的SHAP概要图
图4：RF模型的SHAP依赖图
Pepper soup transformed by: Jin Daipeng
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
