Эффективность машинного обучения в прогнозировании ранней послеоперационной смерти после операции коронарного шунтирования
Е.З. Голухова, М.А. Керен, Т.В. Завалихина et al. · Kreativnaya kardiologiya · 2023
РезюмеЦель.Разработка и оценка эффективности моделей машинного обучения в прогнозировании внутригоспитального летального исхода после операции коронарного шунтирования (КШ) в сравнении со шкалой риска EuroSCORE II.Материал и методы.В анализ были включены обезличенные медицинские данные 2826 больных со стабильным течением ишемической болезни сердца (ИБС), перенесших операцию изолированного КШ с 2018 по 2022 г.В исследуемой выборке смертность составила 1,45% (n = 41).Целевым для прогнозирования признаком являлась смерть от любых причин, наступившая после операции КШ за период госпитализации.Для прогнозирования смерти после КШ были разработаны модели на основе логистической регрессии (ЛР), градиентного бустинга (LightGBM, XGBoost, CatBoost) и ансамблевой модели (АМ), объединившего все четыре разработанные модели.Полученные модели сравнили с моделью Европейской системы оценки сердечного операционного риска-II (EuroSCORE II).В качестве показателей производительности моделей использовали точность (precision), полноту (recall), F1-меру (F1-score), AUC.Результаты.На исследуемой выборке ЛР продемонстрировала наилучшую способность к прогнозированию исходов положительного класса среди общего класса (recall -0,88), но обладала самым низким значением точности (precision -0,03).Модели градиентного бустинга (LightGBM, XGBoost, Catboost) и АМ обладали более высокими показателями точности и приемлемыми показателями полноты и F1-меры.Показатели, свидетельствующие о более высокой эффективности, были получены для АМ (recall -0,50, precision -0,67, F1-мера -0,57, AUC -0,85), что показывает ее преимущество над остальными моделями.Шкала EuroSCORE II не продемонстрировала достаточной эффективности в отношении возможности предсказания риска смерти при КШ на анализируемой выборке пациентов (recall -0,143, precision -0,125, F1-мера -0,133, AUC -0,47).Наилучшие показали дискриминации были получены для моделей, реализованных с помощью LightGBM (AUC 0,84), Catboost (AUC 0,87) и АМ (AUC 0,85).Заключение.В исследовании разработаны различные модели для прогнозирования внутригоспитальной смертности после операции коронарного шунтирования с использованием методов машинного обучения (ЛР, LightGBM, XGBoost, CatBoost и АМ).Метрики качества полученных моделей, разработанных с помощью методов машинного обучения, в особенности методы градиентного бустинга, превосходят прогностические возможности шкалы EuroSCORE II.
Cited by 0 works. doi:10.24022/1997-3187-2023-17-1-77-93 Open-access PDF