基于机器学习的心脏手术后急性肾损伤预测

作者:范运龙; 邵佳康; 吴远斌; 宋超; 沈铭; 朱思明; 何潇一; 李梁钢; 任瞳; 姜胜利
更新时间:

背景与急性肾损伤(CSAAKI)相关的心脏手术是心脏手术后的主要并发症之一,对患者的短期和长期生存率有负面影响。目的建立一个基于机器学习技术的预测模型,用于识别CSAAKI心脏手术期间的高危患者。方法选择2017年1月1日至2018年6月1日解放军总医院第一医学中心心血管手术中心638例心脏手术患者的临床资料,包括人口统计学特征、并发症、术前用药、实验室检查结果和手术相关数据等78个变量。CSAAKI的预测模型由三个机器学习算法国家建立:支持向量机(支持向量机,SVM)、决策树(decision tree,DT)和随机森林(random、foresst、RF)。通过曲线下面积(AUC)和决策曲线分析接收机工作特性(ROC)曲线,DCA)评估上述预测模型的性能。沙普利加性解释(SHAP)用于可视化预测模型。结果在纳入分析的638名患者中,188名(29.5%)患者术后入住第一座周发生CSAAKI。在三种机器学习算法模式中,RF模式在AUC和DCA的绩效指标方面表现最好。其敏感性为0.784,特异性为0.934,准确性为0.927,AUC为0.890(95%CI:0.762~1.000),高于DT模型和SVM模型。SHAP地图将RF模型推断的CSAAKI的风险在个人层面上可视化。在RF变量的重要性矩阵中,前10个变量是肌酐清除率、血红蛋白、手术时间、射血分数、术中尿量、左心房直径、手术体重、血清肌酐、术中失血量和体外循环时间。结论本研究成功地建立了一种机器学习方法来预测CSAAKI高危患者,可作为临床医生的参考,并优化治疗策略以减少术后并发症。