基于机器学习的模型的开发与验证：用于预测冠状动脉旁路移植术后住院时间延长的研究（一项回顾性研究）

《Scientific Reports》：Development and validation of a machine learning based model for predicting prolonged length of hospital stay after coronary artery bypass grafting: a retrospective study

　　

摘要

冠状动脉旁路移植术（CABG）后长时间的住院会增加医疗资源的使用，并反映出患者恢复状况不佳。早期识别高风险患者可能有助于改善围手术期管理和资源分配。本研究旨在开发并验证一个基于机器学习的模型，用于预测CABG术后长时间住院的情况。研究回顾性地纳入了2023年1月至2024年3月期间在中南大学湘雅二医院接受CABG治疗的572名患者，并将他们随机分为训练集和验证集（比例为7:3）。长时间住院的定义是住院时间超过第70百分位数。特征选择采用Boruta算法和LASSO回归方法，通过方差膨胀因子评估多重共线性。共构建并比较了10个机器学习模型。模型性能通过接收者操作特征曲线下面积（AUC）、准确率、阳性预测值、召回率、F1分数和特异性进行评估，并通过综合排名确定最优模型。决策曲线分析、校准曲线和Brier分数用于评估临床实用性和预测准确性。Shapley加性解释（SHAP）分析被用来解读逻辑回归模型。最终，基于最优模型开发了一个基于网络的预测工具。逻辑回归模型表现出最稳定的验证性能（AUC = 0.759，95%置信区间：0.669–0.850），同时具有良好的校准效果和临床效益。SHAP分析表明，术前肌红蛋白水平、机械通气时间、术前凝血酶原时间和活化部分凝血活酶时间是主要预测因子。该研究还开发了一个诺模图和在线工具，以实现个体化的风险评估。本研究构建并验证了一个用于预测CABG术后长时间住院的逻辑回归模型。诺模图和基于网络的工具为早期术后识别高风险患者提供了初步方法。需要进一步的前瞻性和外部验证研究来确认该工具的有效性和临床适用性。