基于机器学习的风险模型预测感染性心内膜炎术后早期死亡率

这是一篇关于基于机器学习的风险模型预测感染性心内膜炎术后早期死亡率的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。背景：感染性心内膜炎术后早期死亡率高。尽管风险模型有助于识别高风险患者，但目前大多数评分系统不准确或不方便，目的:构建一个准确且易于使用的预测模型来识别感染性心内膜炎术后早期死亡的高危患者

基于机器学习的风险模型预测感染性心内膜炎术后早期死亡率

• 题目
  • Machine Learning–Based Risk Model for Predicting Early Mortality After Surgery for Infective Endocarditis
• 摘要
  • 背景/目的
    • 感染性心内膜炎术后早期死亡率高。尽管风险模型有助于识别高风险患者，但目前大多数评分系统不准确或不方便
    • 构建一个准确且易于使用的预测模型来识别感染性心内膜炎术后早期死亡的高危患者
  • 方法
    • 共纳入476例在2个中心接受手术治疗的感染性心内膜炎患者。开发队列包括276例患者
    • 从89个潜在预测因子中选取8个变量作为XGBoost模型的输入来训练预测模型
      • 血小板计数
      • 血清白蛋白
      • 当前心力衰竭
      • 尿潜血≥( + + )
      • 舒张功能障碍
      • 多瓣膜受累
      • 三尖瓣受累
      • 赘生物> 10mm
    • 将完成的预测模型在2个独立的队列中进行内部和外部验证
    • 内部测试队列由独立于开发队列的125例患者组成，外部测试队列由来自另一个中心的75例患者组成
    • 在任何分析之前，都排除了缺失记录超过5 %的潜在预测因子
    • 对于其他变量，我们用个体连续变量的均值来代替缺失记录，用一个负的结果来代替个体分类变量的缺失记录
    • 为了消除临床数据中潜在的多重共线性的不利影响，将所有分类变量输入 LASSO 回归模型进行多变量分析
    • 为避免某些连续变量和分类变量之间的线性相关性带来的不利影响，将它们分开进行分析
    • 在20个连续变量中，有3个变量是IE术后早期死亡的有统计学意义的预测因素
      • 血小板计数，血清白蛋白和Charlson评分
    • 在69个分类变量中，LASSO回归模型保留了7个潜在预测因子
      • 当前心力衰竭、中度或重度营养不良、UOB≥( + + )、舒张功能障碍、多瓣膜受累、三尖瓣受累和赘生物> 10 mm
    • 为了说明XGBoost算法的优越性，基于训练-验证队列，使用8个变量构建了经典逻辑回归模型和集成学习模型
      • 梯度提升决策树
      • 轻量梯度提升机
      • 随机森林
      • 额外树
  • 结果
    • 在内部测试队列中，曲线下面积为0.813 ，在外部测试队列中，曲线下面积为0.812
    • 曲线下面积明显高于其他集成学习模型、逻辑回归模型和欧洲心脏手术风险评估系统II (均P < 0.01)
    • 该模型被用来开发一个在线的、开放的计算器
  • 结论
    • 构建并验证了一个准确、稳健的基于机器学习的风险模型来预测感染性心内膜炎术后早期死亡率，这可能有助于临床决策和改善预后
• 字不如表
  • Table 1
    • 训练-验证队列中患者的人口学和临床特征
  • Table 2
    • 实验室训练-验证队列中患者的研究结果和超声心动图特征
• 表不如图
  • Figure 1
    • 感染性心内膜炎患者流程图
  • Figure 2
    • 预测感染性心内膜炎术后早期死亡率的在线计算器
  • Figure 3
    • 模型在测试集上的性能
      • ABC
        • 中山大学附属第一医院内部测试集
          • 中山大学感染性心内膜炎预测模型( SYSUPMIE )、经典logistic回归模型、随机森林模型、额外树模型、LightGBM模型、GBDT模型和EuroSCOREⅡ
        • 南方医院外部测试集
        • 集成测试集预测IE术后早期死亡的效能
      • D
        • SYSUPMIE在综合测试集中的校准曲线
      • E
        • 集成测试集7模型 DCA
  • Figure 4
    • SYSUPMIE风险分层及特征贡献度分析
      • A
        • 基于集成测试集，高、低风险组的混淆矩阵截断值分别为0.35和0.055
      • B
        • 基于集成测试集，计算低、中、高危人群早期死亡的实际概率
      • C
        • SYSUPMIE风险与早期死亡率和特征的相关性
      • D
        • 基于集成测试集的特征贡献度分析。误差条表示特征贡献的标准差( SD )
• 补充材料
  • Table S1
    • 用于XGBoost建模的超参数
  • Table S2
    • 训练-验证队列中连续变量的单因素分析
  • Table S3
    • 两组患者的实验室检查结果及临床特征
  • Table S4
    • 训练-验证队列中的缺失数据
  • Figure S1
    • 特征选择过程采用 LASSO 模型
      • ( A ) 69个分类潜在预测因子的LASSO系数谱
      • ( B ) LASSO模型中调节参数( λ )的选择采用最小均方误差的3折交叉验证
  • Figure S2
    • 训练-验证队列中不同算法预测IE术后早期死亡率的ROC分析
      • 平均AUC为5次3折交叉验证中15次验证集AUC的平均值，用颜色较浅的线段表示
      • ( F ) XGBoost模型( SYSUPMIE )、GBDT模型、LightGBM模型、随机森林模型、Extra Trees模型在训练-验证队列中的AUC。误差条表示AUC的标准差
  • Figure S3
    • 比较两个独立测试集的特征
      • 分类变量
      • 连续变量
  • Figure S4
    • 使用填充数据和未填充数据训练的模型之间的模型性能比较
      • XGBoost model-NI 表示使用未插补数据训练的 XGBoost 模型
  • Figure S5
    • 通过 3 倍交叉验证在训练验证队列中以 95% 敏感性和 95% 特异性进行临界选择
  • Figure S6
    • 发展队列中幸存者和非幸存者群体的年龄比较