基于机器学习的左侧感染性心内膜炎手术患者术后30天死亡或主要并发症风险预测模型开发与验证

《BMC Surgery》：Machine learning-based prediction of 30-day outcomes after surgery for left-sided infective endocarditis

　　

摘要

背景

对于左侧感染性心内膜炎（IE）患者，手术往往是必不可少的。准确的术前风险评估仍然具有挑战性。本研究旨在开发和内部验证机器学习（ML）模型，以预测接受左侧IE手术的患者术后30天死亡或主要并发症的发生率。

方法

对2009年5月至2025年5月间的成人患者进行了回顾性分析。主要结局为30天内全因死亡或主要并发症的复合终点，包括术后卒中、恶性心律失常、延长机械通气、需要透析的急性肾损伤、休克和多器官功能障碍综合征。采用基于机器学习的流程进行变量筛选。评估了八种机器学习算法，并使用六种策略解决类别不平衡问题。利用训练集中的折外（OOF）预测评估模型的区分度、校准度和总体预测误差，随后在测试集中评估选定的最终模型。采用SHAP（SHapley Additive exPlanations）分析进行模型解释，并开发了在线工具用于临床实施。

结果

在纳入的992名患者中，100例（10.1%）发生了主要结局事件。模型开发中筛选出10个预测因子。在评估的56个候选模型中，13个满足基于OOF预测的筛选标准。采用随机过采样（RO）训练的类别提升（CatBoost）模型显示出最低的OOF Brier分数，被选为最终模型。在测试集中，CatBoost-RO达到了0.814的AUC（95%CI：0.724–0.904）、-0.036的校准截距（95%CI：-0.474–0.401）、0.995的校准斜率（95%CI：0.658–1.331）和0.065的Brier分数（95%CI：0.053–0.078）。SHAP分析确定总胆红素和N末端B型钠尿肽前体是最具影响力的预测因子。

结论

采用RO训练的CatBoost模型在估计左侧IE术后30天死亡或主要并发症风险方面表现出良好的区分度、校准度和低预测误差，这有助于支持该人群的术前风险分层，但仍需进行外部验证。