机器学习模型预测体外循环心脏手术后术后谵妄及数据驱动患者亚组临床异质性研究

《Scientific Reports》：Machine-learning prediction of postoperative delirium and characterization of clinical heterogeneity after cardiac surgery with cardiopulmonary bypass: a prospective observational cohort study

　　

摘要

开发并进行内部验证用于预测体外循环（CPB）心脏手术后术后谵妄（POD）的机器学习模型，并描述同一队列中数据驱动的各患者亚组之间的临床异质性。在本前瞻性单中心观察性队列研究中，纳入了729例接受体外循环心脏手术的成人患者。对多维度围手术期变量进行了分析，术后预测因素仅限于首次记录的谵妄发作前获得的测量值。开发了七个有监督机器学习模型并进行内部验证以预测POD，同时在全队列中进行了无监督层次聚类分析，以刻画数据驱动的患者亚组之间的临床异质性。在预先定义的术后观察期内，729例患者中有262例（35.9%）发生了POD。在独立测试集中，七个模型的区分能力（AUC）范围为0.718至0.861。在交叉验证分析中，随机森林模型表现出最高的区分能力（AUC=0.841），且Brier评分所反映的整体预测误差最低。聚类分析识别出三个具有不同POD发生负担的数据驱动亚组，这些亚组在炎症、功能、合并症和手术操作等围手术期领域表现出不同的特征。POD还与总住院时间延长相关。整合术前、术中和早期术后变量的机器学习模型在预测体外循环心脏手术后的POD方面显示出潜力。此外，无监督聚类为该队列中围手术期临床异质性提供了亚组层面的视角。