机器学习模型预测个体心脏手术患者的死亡风险

这种新的数据驱动算法建立在大量电子健康记录(EHR)的基础上，据说是第一个针对特定机构的模型，用于在手术前评估心脏病患者的风险，这将使卫生保健提供者能够为个体患者寻求最佳的行动方案。该小组的工作详情见胸外科与心血管外科杂志(JTCVS)开放．

“目前使用的标准护理风险模型因其对特定类型手术的适用性而受到限制，遗漏了大量接受复杂或联合手术的患者，而这些手术没有模型存在，”资深作者说拉维Iyengar博士在一份声明中说。“我们的团队将电子健康记录数据和机器学习方法严格结合起来，首次展示了单个机构如何建立自己的心脏手术后死亡率风险模型。”

基于机器学习算法的预测模型已经在不同的医学领域产生，其中一些已经显示出比其标准护理同行更好的结果。

在心脏外科手术中，胸外科学会(Society of Thoracic Surgeons, STS)的风险评分被认为是金标准，通常用于评估心脏手术患者的手术风险。虽然它们继续为医院评估和改善其绩效提供重要基准，但它们来自人口水平的数据，可能无法准确预测患有复杂病理的特定患者的风险，这些患者需要量身定制的术前评估和复杂的手术。

更多来自医疗保健

西奈山医院的心血管外科医生和数据科学专家，在伊坎西奈山遗传学和基因组科学副教授、资深作者Gaurav Pandey博士的指导下，假设使用他们自己机构的电子病历数据的基于机器学习的模型可以提供有效的解决方案。

为此，他们创建了一个严格的机器学习框架，使用常规收集的电子病历数据来开发一个针对患者和医院的个性化手术后死亡率的风险预测模型，该模型结合了西奈山患者群体的重要信息，包括人口统计学、社会经济因素和健康特征。

根据西奈山医院的说法，这与STS等基于人口的模型形成了对比，后者基于美国不同地区不同卫生系统的数据。进一步推动这种方法性能的是一种名为XGBoost的开源预测算法，该算法通过逐步关注训练数据中难以预测的子集来构建一组决策树。

研究小组使用XGBoost对2011年至2016年在西奈山医院进行的6392例心脏手术进行了建模，包括心脏瓣膜手术;冠状动脉旁路移植术;主动脉切除、置换或吻合;再手术心脏手术。然后，该团队将其模型与STS模型在相同患者组中的性能进行了比较。

研究表明，在设计STS评分的所有常用心脏手术类别中，XGBoost模型在死亡率方面的表现优于STS风险评分。XGBoost模型在所有手术类型中的预测性能也很高，证明了机器学习和电子病历数据在建立有效的机构特定模型方面的潜力。

Pandey博士说:“准确预测术后死亡率对于确保心脏手术患者的最佳结果至关重要，我们的研究表明，特定机构的模型可能比基于人群数据的临床标准更可取。”“同样重要的是，我们已经证明，医疗机构通过复杂的机器学习算法开发自己的预测模型来取代或补充现有的STS模板是可行的。”