Исследовательская группа Маунт Синай разработала модель машинного обучения, которая позволяет медицинским учреждениям прогнозировать риск смерти у пациентов, проходящих кардиохирургические операции.

Эта модель обладает высокой производительностью по сравнению с существующими моделями, основанными на данных общей популяции. Информация об этом размещена в журнале Medical Xpress.

Новый алгоритм основывается на электронных медицинских записях (ЭМЗ) и является первой специализированной моделью для предсказания риска сердечного пациента перед операцией. Это позволяет медицинским специалистам принимать оптимальные решения для каждого пациента. Результаты исследования команды были опубликованы в журнале The Journal of Thoracic and Cardiovascular Surgery (JTCVS) Open.

"Модели риска стандарта медицинской помощи, используемые сегодня, ограничены их применимостью к конкретным типам операций, не удаляя значительное количество пациентов, проходящих сложные или комбинированные процедуры, для которых не существует моделей", - говорит старший автор Рави Айенгар, доктор философии, профессор фармакологических наук Дороти Х. и Льюиса Розенстиля в Медицинской школе Айкана на горе Синай и директор Института системной биомедицины Маунт Синай.

Исследователи использовали метод машинного обучения XGBoost для моделирования 6392 операций на сердце, проведенных в Маунт Синай с 2011 по 2016 год. В исследование включены различные процедуры, такие как операции на сердечных клапанах, шунтирование коронарных артерий, резекция, замена или анастомоз аорты, а также повторные операции, которые связаны с повышенным риском смертности. Команда исследователей затем сравнила производительность своей модели с моделями STS для тех же групп пациентов.

Результаты исследования показали, что модель XGBoost превосходила модели STS в предсказании риска смертности во всех основных категориях кардиохирургии, для которых были разработаны показатели STS. Прогностическая точность модели XGBoost для всех типов хирургических вмешательств также была высокой, что подтверждает потенциал использования машинного обучения и данных ЭМЗ для создания эффективных моделей, специфичных для конкретных медицинских учреждений.