Development and External Validation of a Machine Learning–Based Clinical Prediction Model for Postoperative Ischemic Stroke in Patients Undergoing Coronary Artery Bypass Grafting: Validation Using the eICU Collaborative Research Database
本研究利用 eICU 数据库开发并外部验证了一个随机森林机器学习模型，该模型在预测冠状动脉旁路移植术后缺血性卒中方面表现出良好的判别性能，并识别出诸如 RDW-CV 和 SII 等关键预测因子，以支持早期风险分层。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
心脏手术是现代医学的一项卓越成就，为那些动脉严重阻塞的人们提供了生命线。这项被称为冠状动脉旁路移植术的手术，通过绕过这些阻塞部位来重新引导血液循环，以恢复向心肌的血流。然而，即便拥有精湛的医生和先进的技术，这一过程仍潜藏着危险。在手术期间及术后，微小的血栓或碎屑可能会随血液流向大脑，从而引发中风。这种并发症虽然不是最常见的后果，却是最严重的后果之一。它可能剧烈改变患者的康复进程，增加死亡风险，并留下持久的残疾。由于风险极高，医生长期以来一直在寻求更好的方法，以便在进行第一次切口之前，就能预测哪些人最有可能遭遇这种命运。传统方法依赖于检查已知的风险因素清单（如年龄或既往病史），但这些工具往往会忽略患者身体系统之间微妙而复杂的相互作用，而这些作用可能预示着问题的发生。
来自中国医院的一个研究小组采取了不同的方法，利用机器学习的力量来构建一个更精准的预测工具。他们首先从 2019 年至 2021 年间在北京一家医院接受此类搭桥手术的 938 名患者的详细记录中收集了数据。其目标是教会计算机识别数据中人类肉眼可能忽略的模式。团队向计算机输入了大量信息，包括患者的年龄、血压和病史，同时也包括衡量炎症、肾功能以及血液载氧能力的特定血液检测数值。计算机的任务是寻找这些因素的最佳组合，从而将发生中风的患者与未发生中风的患者区分开来。为了确保该工具不仅仅是在死记硬背训练集中的特定患者，研究人员在来自美国的一个庞大且多中心数据库的另外 1,177 名患者身上对它进行了测试。这第二组人群作为一个严格的测试，旨在观察该工具在不同环境和不同人群中的适用性。
计算机使用几种不同的数学策略分析了数据，并最终确定了表现最佳的一种。这个表现最优的模型识别出了对预测中风最为关键的七项关键信息。这些信息包括患者既往的中风史、体型大小以及特定的血液测量值。在最具指示性的指标中，包括红细胞大小的变化程度、一个结合了不同免疫细胞计数以衡量整体炎症水平的分数，以及一个计算血液实际载氧能力的数值。模型还考虑了肾脏过滤废物的能力。当研究人员观察这些因素如何影响预测结果时，他们发现较高的炎症水平和较低的载氧能力与更高的中风风险相关，而较好的肾功能则具有一定的保护作用。
当研究人员将这个新模型应用于美国患者数据进行测试时，它证明是一个可靠的指南，能够比随机概率更有效地区分高风险和低风险患者。虽然它并不完美，但在应用于从未接触过的人群时，它依然保持了识别危险人群的强大能力。这项研究表明，通过将身体视为一个由炎症、氧气输送和血液成分相互作用构成的复杂系统，医生可以获得比仅观察单一因素更清晰的风险图景。研究人员强调，这个工具并非预知未来的水晶球，而是一种标记出可能需要额外监测或特定预防性护理患者的方法。在这一方法成为每家医院常规流程的一部分之前，还需要在更大规模、更多样化的人群中进行测试。然而，这项工作标志着利用数据在患者生命中最关键的时刻保护大脑方面迈出了重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。