基于机器学习的Stanford A型主动脉夹层术后院内主要不良事件的风险预测研究

摘要

目的基于临床一般变量,使用机器学习方法构建模型,用于预测手术治疗后的Stanford A型主动脉夹层(TAAD)患者院内主要不良事件(MAE)的发生风险。方法纳入2013年1月至2017年12月在北京安贞医院进行手术治疗的TAAD患者1641例,收集患者个体特征变量、临床体征以及入院首次临床血清标志物等。结局定义为院内MAE,包含院内死亡、夹层后新发急性心脏衰竭、呼吸衰竭、神经系统障碍、急性肾功能衰竭、感染,以及无计划的二次开胸。使用机器学习筛选变量后构建模型;采用受试者工作特征曲线(ROC)分析模型预测院内MAE的能力;使用净重新分类指数(NRI)和整体鉴别指数(IDI)对新模型与临床常用模型进行比较,评价新模型在预测TAAD术后预后方面的改善效果;最后建立列线图预测TAAD术后患者院内MAE发生风险。结果使用机器学习筛选变量,确定了由D-二聚体、肌酸激酶同工酶、尿素、白细胞计数、年龄、异常心电图和手术时间组成的TAAD术后院内MAE的风险预测模型,模型预测院内MAE的ROC曲线下面积为0.776(95%CI 0.718~0.734,P<0.001)。与临床常用模型比较,本研究构建的模型其NRI为0.654(95%CI 0.540~0.750,P<0.001),IDI为0.136(95%CI 0.117~0.155,P<0.001),提高了对TAAD术后院内MAE的预测能力。将模型通过列线图形式呈现,列线图模型评分能够评估TAAD术后发生院内MAE的风险。结论基于机器学习使用患者临床变量构建模型,该模型综合评估患者个体特征变量、炎症水平、脏器受损状况以及手术情况,对TAAD患者术后院内MAE具有预测价值。