研究表明,机器学习模型可以提高对心脏手术病人死亡率的预测

基于机器学习的模型,使医疗机构预测个人心脏手术患者的死亡风险开发了西奈山医学院的研究团队,当前population-derived模型提供显著的性能优势。

新的数据驱动算法,建立在搜集的电子健康记录(EHR),是第一个机构性的模型评估一个心脏病人手术前的风险,从而允许卫生保健提供者追求个人的最佳的行动方针。团队的工作是在发表的一项研究描述胸心血管外科杂志》(JTCVS)开放。

“今天使用的标准治疗风险模型受限于他们的适用性特定类型的手术,留下了大量的患者发生复杂或组合过程模型的存在,“拉维Iyengar资深作者说,博士,和多萝西·h·刘易斯·罗森斯蒂尔药理科学教授伊坎在西奈山医学院,和西奈山系统生物医学研究所的主任。

“我们的团队严格结合电子健康记录数据和机器学习方法首次证明个别机构如何建立自己的风险模型post-cardiac手术死亡率。”

基于机器学习算法的预测模型生成跨不同领域的药,和一些显示改善的结果标准治疗。在心脏手术,心脏节律协会心胸外科(STS)风险分数被认为是黄金标准,和经常被用来评估心脏手术病人的程序性风险。

当他们继续为医院提供重要的基准评估和改善他们的表现,他们是来自群体数据,因此可能无法准确地预测风险具体复杂疾病患者需要定制的术前评估和复杂的手术。

心血管外科医生和数据科学专家在西奈山医院,文章的第二作者Gaurav Pandey来监管,博士,遗传学和基因组科学副教授伊坎西奈山,假设基于机器学习模型使用电子健康档案数据的机构可以提供一个有效的解决方案。

所以他们创建了一个严格的机器学习框架使用定期收集的电子健康档案数据开发手术后的死亡率的风险预测模型,是个性化的病人和特定于hospital-implicitly合并西奈山的患者人群的重要信息,如人口、社会经济因素和健康的特点。

这是像STS population-derived模型相比,基于数据来自不同卫生系统在不同地区的国家。进一步推动这种方法是非常有效的开源的性能预测算法称为XGBoost,逐步构建决策树的合奏的关注难以预测训练数据的子集。

领导该研究的共同通讯作者亚伦J Weiss,医学博士,博士,曾在西奈山医院心胸外科居民和临床研究的博士毕业于伊坎西奈山,在克利夫兰诊所。Arjun Yadaw博士兼职药理科学助理教授伊坎西奈山,高级数据科学家,目前国家推进转化科学中心的一部分,美国国立卫生研究院(NIH NCATS),也共同工作。

这些研究人员使用XGBoost 6392型心脏手术在西奈山医院从2011年到2016年,包括心脏瓣膜手术;冠状动脉旁路移植;主动脉瓣切除、更换、或吻合;和再手术心脏手术,已证明能明显增加死亡风险。小组然后比较的性能模型STS模式相同的病人。

研究表明XGBoost模型优于STS死亡率的风险分数一般在所有类别的心脏手术进行设计STS分数。XGBoost模型的预测性能在所有手术类型也很高,证明机器学习的潜力和建立有效的机构性的电子健康档案数据模型。

“准确预测手术后的死亡率是至关重要的,以确保最好的结果对于心脏手术患者,和我们的研究表明,机构性的模型可能是更可取的临床标准基于人口数据,“强调Pandey博士。“同样重要的是,我们已经证明是实用的健康保健机构开发自己的预测模型通过先进的机器学习算法来取代或补充建立STS模板。”