院外心脏骤停后临时机械循环支持获益的个性化预测：机器学习模型评估

unsetunset摘要unsetunset

研究目的

院外心脏骤停（OHCA）后临时机械循环支持（tMCS）的应用价值仍存在争议。本研究旨在评估机器学习（ML）模型对患者死亡率和神经学结局的预测效果，重点凸显其作为指导tMCS早期决策工具的潜力。

研究方法与结果

本回顾性研究分析了马尔堡大学医院5年间收治的564例成年非创伤性OHCA患者数据。研究基于人口统计学、临床及治疗相关变量，训练了4种ML模型（人工神经网络ANN、支持向量机SVM、随机森林RF、极端梯度提升XGBoost），用于预测住院死亡率和神经学结局。通过特征选择和SHapley加法解释（SHAP）分析优化模型性能，并识别可能从tMCS中获益的患者。

在461例符合纳入标准的患者中，144例（31.2%）接受了tMCS治疗，包括39例左心室微轴流泵治疗、76例静脉-动脉体外膜肺氧合（VA-ECMO）治疗及29例双心室支持治疗（ECMELLA）；其中69例（14.9%）患者在体外心肺复苏（eCPR）过程中植入了VA-ECMO。tMCS组的存活率为34.7%（50/144），而非tMCS组为52.7%（167/317）。

在预测患者（接受/未接受tMCS）的存活概率方面，XGBoost和RF模型应用于非tMCS组时表现出最高的预测效能。机器学习模型识别出2.5%的非tMCS患者，若接受tMCS治疗则可能存活；其中，23例（RF模型）和31例（XGBoost模型）患者接受tMCS后的预测存活概率较未接受时至少提升5%。RF模型的表现略优于XGBoost模型[受试者工作特征曲线下面积（AUC）分别为0.85和0.82]。

研究结论

XGBoost和RF模型可准确预测OHCA患者的死亡率及tMCS治疗获益，为基于机器学习的个性化治疗提供了支持。

unsetunset分享理由unsetunset

1. 传统机器学习的基准测试-数据导向的方法学必备。
2. 基于评价指标的模型变量筛选流程-递归特征删除及增加。
3. Shap值作为模型非依赖方法在因果推断HTE中的应用。
4. Meta-learner方法之T-Learner。
5. 从预测到因果，重要的是干预的潜在效果。

unsetunset日期时间与参与方式unsetunset

unsetunset相关PPT及代码结果unsetunset