胸“星”团队成果展示|机器学习模型预测肺移植术后需要临床干预的气道狭窄:一项回顾性病例对照研究

学术   科学   2024-08-27 20:20   四川  



胸小星第二十八期成果

如期见面

让我们走进本期推文

一起来看看吧



导言

2024年8月,胸“星”外科学术团队与“中国肺移植第一人”陈静瑜教授团队在《BMC Medical Informatics and Decision Making》上发表最新研究“Machine learning model predicts airway stenosis requiring clinical intervention in patients after lung transplantation: a retrospective case-controlled study”。该研究通过回顾性分析中国肺移植临床数据,开发并验证机器学习模型以预测肺移植患者术后气道狭窄的发生,旨在为肺移植术后气道狭窄的综合管理提供参考,以改善肺移植受者预后。据悉,胸“星”外科学术团队的既往研究已经强调了机器学习算法在预测肺移植患者生存结局方面的有效性(Dong Tian et al. JAMA Netw Open. 2023 May 1;6(5):e2312022.)。在此基础上,本团队进一步扩展机器学习模型的应用,以实现肺移植术后气道狭窄的预测。这是国内首篇关于肺移植术后气道狭窄的SCI论著,也是中国肺移植临床数据再次被国际期刊接受的证明,这将有效促进我国肺移植事业的发展,使更多终末期肺部疾病患者受益。



文章题目Machine learning model predicts airway stenosis requiring clinical intervention in patients after lung transplantation: a retrospective case-controlled study

发表杂志:BMC Medical Informatics and Decision Making

影响因子:3.3

第一作者:田东、左玉洁、严浩吉

团队通讯作者:田东

DOI:10.1186/s12911-024-02635-8

Machine learning model predicts airway stenosis requiring clinical intervention in patients after lung transplantation: a retrospective case-controlled study

Dong Tian # 1,2, Yu-Jie Zuo # 3,4, Hao-Ji Yan # 5, Heng Huang 3, Ming-Zhao Liu 6, Hang Yang 6, Jin Zhao 6, Ling-Zhi Shi 7, Jing-Yu Chen 8


1. Department of Thoracic Surgery, West China Hospital, Sichuan University, Chengdu, 610041, China. 22tiandong@163.com.

2. Wuxi Lung Transplant Center, Wuxi People's Hospital affiliated to Nanjing Medical University, Wuxi, 214023, China. 22tiandong@163.com.

3. Department of Thoracic Surgery, West China Hospital, Sichuan University, Chengdu, 610041, China.

4. Guangzhou Institute of Respiratory Health, the First Affiliated Hospital of Guangzhou Medical University, Guangzhou, 510120, China.

5. Department of General Thoracic Surgery, Juntendo University School of Medicine, Tokyo, 113-8431, Japan.

6. Wuxi Lung Transplant Center, Wuxi People's Hospital affiliated to Nanjing Medical University, Wuxi, 214023, China.

7. Wuxi Lung Transplant Center, Wuxi People's Hospital affiliated to Nanjing Medical University, Wuxi, 214023, China. shilingzhi1979@126.com.

8. Wuxi Lung Transplant Center, Wuxi People's Hospital affiliated to Nanjing Medical University, Wuxi, 214023, China. chenjy@wuxiph.com.

#Contributed equally.


Background: 

Patients with airway stenosis (AS) are associated with considerable morbidity and mortality after lung transplantation (LTx). This study aims to develop and validate machine learning (ML) models to predict AS requiring clinical intervention in patients after LTx.


Methods: 

Patients who underwent LTx between January 2017 and December 2019 were reviewed. The conventional logistic regression (LR) model was fitted by the independent risk factors which were determined by multivariate LR. The optimal ML model was determined based on 7 feature selection methods and 8 ML algorithms. Model performance was assessed by the area under the curve (AUC) and brier score, which were internally validated by the bootstrap method.


Results: 

A total of 381 LTx patients were included, and 40 (10.5%) patients developed AS. Multivariate analysis indicated that male, pulmonary arterial hypertension, and postoperative 6-min walking test were significantly associated with AS (all P<0.001). The conventional LR model showed performance with an AUC of 0.689 and brier score of 0.091. In total, 56 ML models were developed and the optimal ML model was the model fitted using a random forest 

algorithm with a determination coefficient feature selection method. The optimal model exhibited the highest AUC and brier score values of 0.760 (95% confidence interval [CI], 0.666–0.864) and 0.085 (95% CI, 0.058–0.117) among all ML models, which was superior to the conventional LR model.


Conclusions: 

The optimal ML model, which was developed by clinical characteristics, allows for the satisfactory prediction of AS in patients after LTx.

向下滑动查看所有内容


机器学习模型预测肺移植术后需要临床干预的气道狭窄:一项回顾性病例对照研究



目的

肺移植(lung transplantation, LTx)术后发生气道狭窄(airway stenosis, AS)的患者具有相当高的发病率和死亡率。本研究旨在开发和验证机器学习(machine learning, ML)模型,以预测LTx术后需要临床干预的AS。



方法

本研究回顾性纳入2017年1月至2019年12月间接受LTx的患者。常规Logistic回归(logistic regression, LR)模型是通过多因素LR确定的独立风险因素拟合的。基于7种特征筛选方法和8种ML算法构建最优ML模型。通过曲线下面积(area under the curve, AUC)和brier评分评估模型性能,并通过Bootstrap法进行内部验证。



结果

在381例LTx患者中,共计40例(10.5%)发生AS。多因素分析显示,男性、肺动脉高压与术后6分钟步行试验是AS发生的独立危险因素(均P<0.001)。常规LR模型的AUC为0.689,brier评分为0.091。共建立56个ML模型,其中采用决定系数特征筛选方法和随机森林算法构建的ML模型表现最佳。该最佳模型在所有ML模型中显示出最高的AUC和Brier评分,分别为0.760 (95% CI: 0.666-0.864),0.085 (95% CI: 0.058-0.117),均优于常规LR模型。



结论

根据临床特征建立的最佳ML模型对LTx术后受者AS的发生具有良好的预测性能。

Figure 2. Heatmaps of the ML models for predicting AS requiring clinical intervention after LTx. Heatmaps illustrated the performance of each ML algorithm (columns) with each feature selection method (rows), measured by AUC. 

LR, logistic regression; DT, decision tree; KNN, k-nearest neighbors; NB, naïve bayes; SVM, support vector machine; GBRM, generalized boosted regression modeling; RF, random forest; XGB, extreme gradient boosting; LASSO, least absolute shrinkage and selection operator; RFE, recursive feature elimination; DC, determination coefcient; ML, machine learning; AS, airway stenosis; LTx, lung transplantation; AUC, the area under the curve.

Table 4. Performance of the optimal RF and conventional LR model

研究意义

1.临床意义:

机器学习算法是人工智能的分支。在其他肿瘤领域,机器学习模型已被广泛应用,但肺移植领域报道较少。既往通过支气管镜对患者气道状况进行检查,往往存在滞后的缺点;而独立危险因素尚存在争议,据此构建的传统逻辑回归(logistic regression, LR)模型的效能有待进一步检验。该研究首次基于中国数据库为肺移植患者气道狭窄的发生构建机器学习模型,并将此机器学习模型与传统LR模型进行对比,采用多个指标评价两个模型的性能,再通过Bootstrap法进行内部验证。该模型对肺移植受者术后气道狭窄的发生具有良好的预测性能。此外,相较于传统的医学检查和诊断手段,如支气管镜检、CT检查等,机器学习模型具有非侵入、可量化等优点。其能够在短时间内快速预测肺移植患者术后发生气道狭窄的概率,无需等待繁琐的医学检查结果,从而高效便捷地为医生提供辅助诊断结果,提高医疗资源利用效率。在未来,该文章为机器学习算法更进一步应用于肺移植患者的个性化治疗提供了前期基础,这既有重要的理论意义,又有广阔的临床应用前景,并能够助力医学前沿发展。

2.国际影响:

在国际医疗学术交流与合作的背景下,中国的肺移植领域正在快速发展。这篇关于肺移植术后气道狭窄的SCI论著首次在国外期刊上成功发表,意味着我国肺移植临床数据正逐步被国际期刊接受,对于我国肺移植医学领域的发展具有重要意义。值得注意的是,国际上偶尔会出现对中国肺移植数据的误解与偏见,对于此类质疑,我们应以开放与自信的态度积极应对。此次研究成果能被《BMC Medical Informatics and Decision Making》接受,直接证明了我国肺移植的临床研究已逐渐被国外认可,有力地促进了我国肺移植的对外交流和合作。

主要研究者

左玉洁,广州医科大学呼吸健康研究院呼吸内科研究生,胸“星”外科学术团队副队长(第四届),班长,中共党员,获第六届基础实验大赛国家级一等奖,第八届基础实验大赛省级三等奖,第九届“互联网+”大学生创新创业大赛国家级银奖,四川省大学生综合素质A级证书,校级二等奖学金,优秀共青团干部,优秀学生干部,四六级证书,普通话二甲等荣誉20余项,主持国家级大学生创新项目2项,参与多项,以第一作者/共同第一作者发表SCI一篇,中文核心一篇,参与发表SCI论文4篇,中文核心2篇。


严浩吉,中共党员,日本顺天堂大学呼吸器外科博士生,胸“星”外科学术团队第三届队长,获国家留学基金委(CSC)高水平大学公派博士研究生奖学金,主要研究方向为肺癌临床研究、人工智能与医学结合研究、肺移植基础及临床研究,发表中文论文10篇,其中发表在中文核心杂志6篇,发表英文论文共计25篇 (包括Lancet Gastroenterol Hepatol, Radiology, JAMA Netw Open, J Heart Lung Transplant, J Thorac Cardiovasc Surg等),以第一作者或共同第一作者发表英文论文12篇,并在国内外学术年会做大会发言5次(包括AATS 104th Annual Meeting),参编(译)“十四五”重点出版工程《临床肺移植》等医学专著3部。


胸“星”外科学术团队简介

      胸“星”外科学术团队创立于2017年,是国内较早组建的医学本科生科研团队。秉承“Never Stop Making Challenges ”的科研精神,历经7年的建设和磨砺,团队现已成长为一个锐意进取、精诚团结的医学本科生早期科研训练团队。团队以“三全育人-科研育人”综合改革理论为指导,以培养科研兴趣为价值导向,以提升科研水平为行动目标,于国内首次提出医学本科生“科研前置”培养模式。团队积极开展医学本科生早期高水平科研训练,为建设成全国领先的医学本科生科研团队不懈努力。

      团队一直致力于胸外科相关领域的基础与临床研究(肺移植、食管癌、肺癌、胸腺瘤等),现有成员共计24人。在团队指导老师田东教授的带领下,团队深入践行科研育人理论,积极投身科研平台建设,持续培养科技创新意识,不断强化医学科研能力(包含但不限于文献检索、科研选题、课题设计、论文撰写和外语应用等),最终形成了系统性的医学本科生科研训练模式,进而促进了“科研训练-成果产出”之间的良性循环。

      目前团队学生以第一作者或共同第一作者发表中英文论文共计58篇,其中,SCI收录论文31篇,中文论文27篇,负责国家级大学生科研课题27项,省级29项。受邀参加国内、国际胸心外科学术年会口头发言19次(篇),壁报展出22次(篇),参与翻译、审校专著7部,已申请国家专利6项,斩获中国国际大学生创新大赛(2023)总决赛银奖等国家级、省级各级赛事10余项,成功建立西南地区第一个标准的小动物肺移植实验室(《四川日报-川观新闻》报道)。团队成员绝大部分本科毕业后继续攻读硕士研究生(北京协和医学院、北京大学、四川大学、中南大学、中国医科大学、南京医科大学、南方医科大学、广州医科大学、温州医科大学等国内知名院校),并有8名队员本科毕业后被日本名校(京都大学、长崎大学、東北大学、名古屋大学、顺天堂大学、熊本大学、筑波大学、庆应义塾大学)直博录取。

      在团队导师的指导下,团队已在多个研究领域取得了丰硕的成果。回顾过去,展望未来,胸“星”外科学术团队会继续秉持“Never Stop Making Chanlleges”医学科研精神,为提高医学本科生科研水平,完善医学本科生早期科研训练模式,推动医学高等教育改革而不懈努力!


胸外学术时间
胸外学术时间系胸“星”外科学术团队(EATTS)下特色平台,主要共享胸外科领域最前沿的医学论文及科普。此外还分享医学论文写作的基本技能,旨在为医学专业人士(尤其是胸外专业)或大众提供网络共享平台,让大家一起 EAT 每份胸外盛宴。
 最新文章