*仅供医学专业人士参考
发表杂志：European Association for Cardio-Thoracic Surgery
影响因子：IF=3.1
发表日期：2024.10.13
创新点：
这是一项关于在接受心脏手术的成人中使用替代机器学习算法（XGBoost）的院内/30天死亡率风险预测模型的性能研究。
背景介绍：
国际指南中使用预测模型来确定最合适的治疗方法，并使临床医生能够为患者提供咨询。随着死亡率的降低、微创手术和介入手术的出现，需要更新和更准确的模型。准确的预测还有助于为个人手术和机构结果设定基准。旧的模型，如欧洲心脏手术风险评估逻辑系统（Euro SCORE 和 Euro SCORE II）需要更新。以前的模型的主要局限是校准性差，对最高风险组的风险估计过高。它们的性能因时代、中心和固有的手术风险而异，建议采用风险调整死亡率（RAMR）。
目前的模型采用的是逻辑回归（LR）。输入变量之间可能存在复杂的交互作用，需要模型开发人员加以考虑。替代的机器学习（ML）模型采用算法，利用大量数据来解释这些交互作用。该团队之前的研究已经证明，在使用 Euro SCORE II 变量时，基于替代 ML 的模型在统计学上比重新训练的 LR 模型具有更好的区分度和临床实用性，但校准效果相似。
在此，该团队在先前工作的基础上，利用英国国家成人心脏手术审计（NACSA）中例行收集的所有可用变量（这是目前已审查过的最大数据集），并采用了详尽的变量选择方法，以创建基于 XGBoost 的新型模型。
结果：
1.患者
在研究期间，有 224,318 名成年人在 42 个中心接受了心脏手术，其中 6,100 人死亡（2.72%）（图 1）。幸存者和非幸存者之间的变量基线差异见表1。
【图1.显示参与者在研究过程中流程的Consort图】
表1.基线患者人口统计
2.最终模型
最终模型由表 2 中的变量组成。
表2.最终模型中使用的变量
3.XGBoost-23
训练集 AUC 最大的 XGBoost 模型有 27 个变量--AUC 为 0.837（95%CI：0.837-0.838），F1 分数为 0.277（95%CI[0.276-0.279]）。然而，对 AUC 曲线和输出值的目测显示，变量越少，判别能力的损失越小。因此，在讨论之后，为了简洁起见，该团队进行了 “敏感性 ”分析，以评估变量数量减少（20、23 和 25）对模型性能的影响。从23个变量到20个变量，NB（治疗量）明显下降。20个变量存在风险高估，23个和25个变量存在风险低估，23个和25个变量模型的临床效用差异很小。在权衡利弊后，该团队选择了使用 23 个变量的 XGBoost 模型（即 XGBoost-23）--AUC 为 0.846（95%CI：0.845-0.846），F1 得分为 0.288（95%CI:0.287-0.290）（图 2A），即使在预测风险较高的患者中也显示出良好的校准效果（图 2B）。预测风险高于 30% 的患者接受手术的人数很少，这在意料之中。DCA（图 2C）显示，在所有阈值概率低于 60% 的情况下，接受治疗的患者都能获得净获益。
【图2:使用XGBoost开发的具有特征选择的最终模型的性能。A） 识别。B） 校准。C） 决策曲线分析。】
4. 变量重要性
图 3 显示了在训练/验证集上建立的 XGBoost-23 模型的变量重要性。影响最大的因素包括手术类型、年龄、肌酐清除率、急症和纽约心脏病协会（NYHA）评分。
【图3:XGBoost-23最终型号的变量重要性。CrCl：肌酐清除率，NYHA：纽约心脏协会评分，CPS：术前危急状态，PVD：外周血管疾病，PrevOp：任何既往心脏手术，PrevMI：既往心肌梗死次数，CardiacRhythm：术前心律，BMI：基础代谢指数，HospCode：医院识别码；卒中：术前卒中，LVF2：左心室功能，使用与EuroSCOREII相同的标准，PrevValve：既往瓣膜手术，PrevCABG：既往冠状动脉旁路移植术，Ao.Arch.Procedure：主动脉弓手术，mechanicalSupport：术前需要机械支持】
结论：
特征选择的 XGBoost 在预测心脏手术后死亡率方面显示出良好的区分度、校准和临床效益。有必要对 XGBoost 衍生模型的性能进行前瞻性外部验证。
（翻译及校验：孙铧 张滢）
扫描二维码观看原文
END
长按二维码添加
关注我们 获取更多文献
