基于机器学习的心脏手术后急性肾损伤预测

摘要：

背景 心脏手术相关的急性肾损伤(cardiac surgery-associated acute kidney injury,CSA-AKI)是心脏手术后的主要并发症之一,其对患者的近期和远期生存率都有负面影响.目的 开发基于机器学习技术的预测模型,以此识别心脏手术中CSA-AKI的高危患者.方法 选取2017年1月1日- 2018年6月1日于解放军总医院第一医学中心心血管外科行心脏手术的638例患者的临床资料,包括人口学特征、合并症、术前用药、实验室检查结果和手术相关数据等78个变量.采用支持向量机(support vector machine,SVM)、决策树(decision tree,DT)和随机森林(random foresst,RF)这3个机器学习算法构建CSA-AKI的预测模型.通过受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve, AUC)和决策曲线分析(decision curve analysis,DCA)评估以上预测模型的性能.沙普利可加性特征解释方法(shapley additive explanation,SHAP)用于预测模型的可视化.结果 在纳入分析的638例患者中,188例(29.5%)在术后第1周发生CSA-AKI.在3种机器学习算法中,RF模型在性能指标AUC和DCA方面表现最好,其敏感度为0.784,特异性为0.934,准确率为0.927,AUC为0.890(95% CI:0.762～1.000),高于DT模型和SVM模型.SHAP图可视化了RF模型在个体水平推断CSA-AKI的风险.在RF变量重要性矩阵图中,排名前10的变量依次为肌酐清除率、血红蛋白、手术时间、射血分数、术中尿量、左心房直径、手术权重、血清肌酐、术中失血量和体外循环时间.结论 本研究成功建立了用于预测CSA-AKI高危患者的机器学习方法,可供临床医生参考并优化治疗策略以减少术后并发症.

关键词：急性肾损伤、机器学习、心脏手术并发症、随机森林、预测模型

所属期刊栏目：43

分类号：R654.2(外科学各论)

在线出版日期：2022-05-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：168-174