PO‐AKID‐teller：一种可解释的机器学习工具

这是一篇关于PO-AKID-teller:一种可解释的机器学习工具，用于预测急性A型主动脉夹层术后需要透析的急性肾损伤思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

PO‐AKID‐teller：一种可解释的机器学习工具，用于预测急性A型主动脉夹层术后需要透析的急性肾损伤

• 题目
  • PO‐AKID‐teller: An interpretable machine learning tool for predicting acute kidney injury requiring dialysis after acute type A aortic dissection surgery
• 摘要
  • 背景/目的
    • 术后需透析的急性肾损伤( PO-AKID )是一种严重的不良事件，不仅影响急性发病率和死亡率，而且影响长期预后
    • 开发一个实用的、可解释的基于网络的计算器( PO - AKID计算器)，以检测急性A型主动脉夹层( ATAAD )术后可能发生PO - AKID的患者
  • 方法
    • 本回顾性研究回顾了2016年10月至2021年6月期间行ATAAD手术的549例患者
    • PO‐AKID频率为19.7 % ( 549例患者中108例)
    • 将初始数据集拆分为80 %的训练集( n = 439)和20 %的测试集( n = 110 )
    • 根据文献回顾、数据可得性和临床专业知识选择预测变量
    • 总共有39个术前和术中因素被确定为PO‐AKID预测的候选因素
    • 为了降低模型的复杂度和提高模型的泛化能力，使用共线性分析、Pearson相关性分析和 LASSO 回归来选择最重要的特征进行建模
    • 在共线性分析中剔除方差膨胀因子> 10的10个变量
      • 进行共线性分析以减少同方差对模型的影响，并剔除方差膨胀因子> 10的变量
    • 在Pearson相关性分析后，没有一个变量被排除
      • 为了降低变量间相互影响导致的模型误差，剔除了Pearson相关系数绝对值> 0.5的变量
    • 采用LASSO回归方法获取最优特征进行建模
      • 使用LASSO回归方法选择最优特征作为模型的输入变量
    • 最终选取5个术前特征和2个术中特征进行建模
    • 进一步通过bootstrapping方法将训练集分割为80 %用于训练，20 %用于验证
  • 结果
    • 有7个预测因子可以提示PO‐AKID
      • 包括既往心血管手术史
      • 血小板
      • 血肌酐
      • 夹层累及的终末部位
      • 右冠状动脉受累
      • 5个术前特征
      • 估计失血量
      • 尿量
      • 2个术中特征
    • 在六种机器学习分类器中，随机森林模型表现出最佳的预测性能，其AUC在训练队列中为0.863，在测试队列中为0.763
    • 该模型被翻译成基于网络的风险计算器POAKID - teller，用于估计个体发生PO - AKID的概率
  • 结论
    • POAKID - teller可以以可解释的方式准确地估计个体发生PO - AKID的风险，这可能有助于知情决策、患者咨询、围手术期优化和长期护理的提供
• 字不如表
  • Table 1
    • 训练和测试队列中接受急性A型主动脉夹层手术患者的特征
  • Table 2
    • 几种机器学习分类器在训练集和验证集中的预测性能
  • Table 3
    • 随机森林模型在训练、验证和测试队列中的预测性能
• 表不如图
  • Figure 1
    • 根据是否发生透析对住院结果进行分层。PO‐AKID患者机械通气时间延长( > 72 h ) ( p < 0.001)，重症监护病房( ICU )住院时间延长( > 7 d ) ( p < 0.001)，再插管率较高( p = 0.008)
  • Figure 2
    • 随机森林模型的预测性能
      • ( A-C )训练集、验证集和测试集中ROC
      • ( D )校准曲线
        • Brier评分，定义为预测结果和观察结果之间的平方差的平均值，用于评估模型的校准度。如果Brier评分≤0.25，则认为该模型具有良好的校准度
      • ( E )DCA
  • Figure 3
    • Po‐Akid‐Teller的可解释性
      • ( A ) 采用平均绝对夏普利值对特征进行重要性排序
      • ( B ) SHAP特征汇总图
      • ( C、D) SHAP力图为两个具有代表性的案例
  • Figure 4
    • 患者选择和机器学习模型开发的流程图
• 补充材料
  • Table S1
    • 比较几种机器学习分类器曲线下面积的De Long ' s检验
  • Figure S1
    • 使用LASSO回归分析进行特征选择的结果
  • Figure S2
    • 比较了几种机器学习分类器的预测性能
      • 训练集验证集多模型ROC
  • Figure S3
    • 采用基于网络的风险计算器( PO-AKID-teller )对急性A型主动脉夹层手术患者进行透析