(资料图片仅供参考)

西奈山研究团队开发了一种基于机器学习的模型，该模型使医疗机构能够预测个体心脏手术患者的死亡风险，与当前的人口衍生模型相比具有显着的性能优势。

新的数据驱动算法建立在大量电子健康记录 (EHR) 的基础上，是第一个用于评估心脏病患者手术前风险的特定机构模型，从而使医疗保健提供者能够为该患者寻求最佳行动方案. 发表在胸心血管外科杂志 (JTCVS) Open上的一项研究描述了该团队的工作。

“今天使用的标准护理风险模型受到它们对特定类型手术的适用性的限制，遗漏了大量接受复杂或组合手术的患者，而这些手术不存在模型，”资深作者 Ravi Iyengar 博士说，Dorothy H. and Lewis Rosenstiel 西奈山伊坎医学院药理学教授，西奈山系统生物医学研究所所长。“我们的团队将电子健康记录数据和机器学习方法严格结合起来，首次展示了各个机构如何建立自己的心脏手术后死亡率风险模型。”

基于机器学习算法的预测模型已经在不同的医学领域产生，并且一些已经显示出比其护理标准对应物更好的结果。在心脏手术中，胸外科医师协会 (STS) 风险评分被认为是金标准，通常用于评估心脏手术患者的手术风险。虽然它们继续为医院评估和改进绩效提供重要基准，但它们源自人群水平的数据，因此可能无法准确预测患有复杂病理的特定患者的风险，这些患者需要量身定制的术前评估和复杂手术。

西奈山医院的心血管外科医生和数据科学专家，在共同资深作者、伊坎西奈山遗传学和基因组科学副教授 Gaurav Pandey 博士的监督下，假设使用他们自己机构的 EHR 数据的基于机器学习的模型可以提供有效的解决方案。因此，他们使用常规收集的 EHR 数据创建了一个严格的机器学习框架，以开发针对患者和医院特定的术后死亡率风险预测模型——隐含地结合了有关西奈山患者群体的重要信息，例如人口统计、社会经济因素和健康特征。这与 STS 等人口衍生模型形成对比，STS 基于来自全国不同地区不同卫生系统的数据。

领导这项研究的是共同通讯作者 Aaron J Weiss，医学博士，博士，他曾是西奈山医院的心胸外科住院医师，也是伊坎西奈山医院的临床研究博士毕业生，现在在克利夫兰诊所工作。Arjun Yadaw 博士是 Icahn Mount Sinai 药理学科学的兼职助理教授，目前是国立卫生研究院 (NIH NCATS) 下属的国家转化科学推进中心的高级数据科学家，也是这项工作的共同领导者。这些研究人员使用 XGBoost 对 2011 年至 2016 年在西奈山医院进行的 6,392 次心脏手术进行建模，包括心脏瓣膜手术;冠状动脉旁路移植术;主动脉切除术、置换术或吻合术;和再手术心脏手术，这已被证明会明显增加死亡风险。

该研究表明，在设计了 STS 评分的所有常见心脏手术类别中，XGBoost 模型的死亡率优于 STS 风险评分。XGBoost 模型在所有手术类型中的预测性能也很高，证明了机器学习和 EHR 数据在构建有效的机构特定模型方面的潜力。

“准确预测术后死亡率对于确保心脏手术患者获得最佳结果至关重要，我们的研究表明，机构特定模型可能优于基于人口数据的临床标准，”Pandey 博士强调说。“同样重要的是，我们已经证明，医疗机构通过复杂的机器学习算法开发自己的预测模型来取代或补充已建立的 STS 模板是切实可行的。”

这项研究由国立卫生研究院资助。