医院丨利用机器学习预测急性A型

QiuyingChen，BinZhang，JueYang（共一）,etal.PredictingIntensiveCareUnitLengthofStayAfterAcuteTypeAAorticDissectionSurgeryUsingMachineLearning.FrontiersinCardiovascularMedicine

毕业于北京大学医学部临床医学八年制，获血管外科博士学位，从事主动脉疾病研究9年，从事心外科临床工作6年，擅长主动脉疾病的外科手术、杂交手术和介入治疗。医院心外科主治医师，参与心脏大血管手术约例，其中主动脉外科手术和介入手术约例。近年来参与多项针对主动脉疾病的研究，主持广州市科技项目一项。目前以第一作者或者共同第一作者身份发表SCI文章7篇、中文核心论著3篇，IF5分以上3篇。

背景：急性A型主动脉夹层患者通常在术后转入重症监护室(ICU)。ICU住院时间(ICU-LOS)延长与更高水平的护理和更高的死亡率相关。我们旨在开发和验证预测急性A型主动脉夹层术后ICU-LOS的机器学习模型。

方法：纳入年9月至年8月术后转入ICU的急性A型主动脉夹层患者例。将患者随机分为训练数据集(70%)和验证数据集(30%)。收集每例患者的84个术前和术中因素。根据四分位间距将ICU-LOS分为4个区间(〈4、4-7、7-10、〉10d)。采用Kendall相关系数确定ICU-LOS的相关因素。开发了5种经典分类器，朴素贝叶斯、线性回归、决策树、随机森林和梯度增强决策树来预测ICU-LOS。使用曲线下面积(AUC)评价模型的性能。

结果：患者平均年龄51.0±10.9岁，男性例(87.0%)。确定了ICU-LOS的12个预测因子，即D-二聚体、血清肌酐、乳酸脱氢酶、体外循环时间、空腹血糖、白细胞计数、手术时间、主动脉阻断时间、有马凡氏综合征、无马凡氏综合征、无主动脉瘤和血小板计数。随机森林产生了最高的性能，训练和验证数据集中的AUC分别为0.（95%置信区间[CI]：0.-1.）和0.(95%CI：0.-0.)。

结论：机器学习具有预测急性A型主动脉夹层ICU-LOS的潜能。该工具可以改善ICU资源的管理和患者出入量，并可以更好地与患者及其家属沟通。

急性A型主动脉夹层是全球死亡的主要原因之一，前48h内每小时自发死亡率为1-3%[1]。因为死亡率很高，需要立即手术。术后，为重症监护室(ICU)患者提供的医疗护理耗时耗力，费用昂贵。患者的ICU住院时间(ICU-LOS)差异很大。准确预测ICU-LOS在急性A型主动脉夹层中具有重要意义，尤其是在人口老龄化和心血管手术不断增加的背景下。它是解决能力管理、追索权规划和人员配备水平的有效解决方案之一。

虽然有预测ICU-LOS的模型，但它们依赖于常规的统计方法，可能会限制它们在具有多个变量和样本的更大数据集中的应用和性能。最近，机器学习等计算方法由于能够预测事件发生和辅助临床决策而越来越引起人们的