基于机器学习的冠状动脉疾病术后中风预测模型
摘要
冠状动脉疾病是全球死亡率的首要原因之一。尽管 PCI 和 CABG 等再灌注治疗取得了进展，但术后中风仍不可避免。本研究旨在开发和评估一个高级机器学习预测模型，以评估冠状动脉再灌注患者的术后中风风险。该研究采用来自 MIMIC-IV 数据库的数据，包含 7023 名患者。研究数据包括临床、实验室和合并症变量。为减少多重共线性，删除缺失值超过 30% 的变量和相关系数大于 0.9 的特征。数据集按 70% 训练 30% 测试划分。Random Forest 技巧插值残差数据集中的缺失值。对数值进行归一化处理，categorical 变量进行 one-hot 编码。LASSO 正则化选择特征，网格搜索寻找模型超参数。最后采用 Logistic 回归、XGBoost、SVM 和 CatBoost 进行预测建模，SHAP 分析评估每个变量的中风风险。AUC 为 0.855 (0.829-0.878)，显示 SVM 模型在先前研究中优于 logistic 回归和 CatBoost 模型。SHAP 研究表明，Charlson 合并症指数 (CCI)、糖尿病、慢性肾病和心力衰竭是术后中风的重要预后因素。该研究表明，改进的机器学习方法可减少过拟合并提高模型预测准确性。仅使用 CCI 的模型无法准确预测术后中风风险，优于使用独立合并症变量的模型。该建议的技术提供更全面和个性化的风险评估，通过纳入更广泛的临床相关特征，使其成为术前风险评估和针对性干预的更好参考。
引用
@article{arxiv.2503.11973,
title = {Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease},
author = {Haonan Pan and Shuheng Chen and Elham Pishgar and Kamiar Alaei and Greg Placencia and Maryam Pishgar},
journal= {arXiv preprint arXiv:2503.11973},
year = {2025}
}
备注
19 pages, 7 figures, submitted to PLOS One. The study employs machine learning techniques, particularly Support Vector Machines, to predict postoperative stroke risk in coronary artery disease patients undergoing revascularization. It utilizes the MIMIC-IV v3.1 database and incorporates SHapley Additive Properties analysis for model interpretation