一种可用于儿童先天性心脏病手术术前风险分层的可解释机器学习模型：一项回顾性队列研究

《Journal of Cardiothoracic Surgery》：An interpretable machine learning model for preoperative risk stratification in paediatric congenital heart disease surgery: a retrospective cohort study

　　

摘要

背景

先天性心脏病（CHD）是最常见的出生缺陷之一，由于其解剖结构的复杂性和发育上的脆弱性，给术前风险分层带来了挑战。现有的工具无法充分预测包括死亡率和呼吸机依赖性在内的关键结果。我们开发了一种基于机器学习的临床工具，以实现精确的术前风险评估。

方法

这项回顾性双中心队列研究分析了1,363例先天性心脏病手术病例（其中1,033例来自昆明儿童医院，330例来自云南阜外心血管医院），收集了78个术前变量。通过使用Boruta算法和LASSO回归进行特征选择，确定了关键预测因子。构建了九种机器学习模型（包括随机森林和XGBoost），用于预测主要综合结果和四种次要不良事件。模型性能通过AUC和F1分数进行评估，并通过阈值优化进行了评估，同时使用独立队列进行了外部验证。

结果

共筛选出18个预测因子。对于主要结果，随机森林模型获得了最高的AUC（0.861）和F1分数（0.631）。次要结果的表现各不相同：死亡率预测具有出色的区分能力（AUC 0.948），而住院时间延长的预测能力则中等（AUC 0.714）。SHAP分析揭示了特定结果的影响因素：体重和RACHS-1分类对主要结果风险有显著影响，而死亡率与舒张期室间隔厚度和AST/血小板比率相关。机械通气依赖性与单核细胞-淋巴细胞比率之间存在强相关性。

结论

我们开发了五种可解释的随机森林模型，并将其作为基于网络的工具，用于先天性心脏病手术的术前风险分层。外部验证表明其预测性能稳定，未来计划进行多中心前瞻性研究，以进一步提高模型的泛化能力和临床实用性。