基于术前心电图的机器学习模型早期预测术后谵妄
《Scientific Reports》:Preoperative ECG-based machine learning model for early prediction and risk stratification of postoperative delirium
【字体:
大
中
小
】
时间:2026年09月22日
来源:Scientific Reports 4.9
编辑推荐:
## 摘要
术后谵妄(POD)是一种在手术后数日内常发生的严重神经精神并发症。早期识别高危个体对于实施有效的预防和管理策略至关重要。本文开发了一种仅基于心电图(ECG)作为单一生物标志物的术后谵妄早期预测机器学习模型。研究纳入了2023年某三级医院596名40岁及以上的外科
## 摘要术后谵妄(POD)是一种在手术后数日内常发生的严重神经精神并发症。早期识别高危个体对于实施有效的预防和管理策略至关重要。本文开发了一种仅基于心电图(ECG)作为单一生物标志物的术后谵妄早期预测机器学习模型。研究纳入了2023年某三级医院596名40岁及以上的外科手术患者。使用3D-CAM-CN评估术后3天内POD的发生情况,共得到136例POD患者和460例非POD患者。该队列按3:1的比例随机分为训练集和内部验证集。为评估模型的泛化能力,从另一家三级医院招募了102名外科手术患者组成独立的外部验证队列。一种新颖的特征选择算法从12导联心电图信号中识别出排名前19的信息特征。开发了六种机器学习模型,并在内部验证集和外部验证集上进行了评估。采用沙普利加和解释(SHAP)分析从全局和个体水平解释特征。极端梯度提升模型取得了优异的性能,AUC高达0.97,准确率为92.0%,灵敏度为85.3%,精确率为80.6%,F1分数为82.9%。此外,该模型在独立的外部验证队列中保持了良好的性能,AUC为0.840,准确率为90.20%。全局SHAP分析发现心率变异性(HRV)特征和导联间R峰时间特征是模型预测的主要贡献因素。导联间R波延迟特征也被发现是模型预测的有益贡献因素。个体水平SHAP分析进一步揭示了特征贡献的患者特异性差异,支持个性化风险评估。开发了一个临床医生友好的在线平台,利用POD风险评分进行风险分层,从而支持术前决策和个性化围手术期管理。该基于术前心电图的机器学习模型提供了一种高度准确、无创、低成本且可及的早期POD风险预测工具。纳入SHAP分析提高了临床可解释性,开发的可视化在线平台提供了患者特异性风险分层,以支持个体化围手术期管理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号