机器学习有可能改变医疗结果预测，最近的研究证明了在血管手术领域的这一希望。一项开创性的研究已开发出对经胃动脉血运重建（TCAR）后预见的不良结果的预测算法，对患者护理产生了重要影响。
TCAR被公认为是管理颈动脉狭窄的当代方法，在全球范围内造成了缺血性中风的三分之一。在有希望的同时，该过程可能导致并发症，因此必须准确预测这些风险。研究人员旨在通过利用机器学习技术来改善结果预测来填补这一空白。
这项研究利用血管质量计划（VQI）的数据分析了从2016年到2023年接受TCAR的38,325例患者的记录。通过确定与该程序相关的115个患者特征，包括人口统计学和现有医疗状况，研究人员能够创建模型，预测手术后一年内中风或死亡的可能性。
在测试的各种机器学习模型中，XGBoost算法与众不同，在接收器操作特征（AUROC）得分下达到0.91的区域，显着优于传统的Logistic回归模型，该模型的AUROC为0.68。
该进步值得注意，因为XGBoost模型在TCAR过程的不同阶段保持准确性，在术中和术后评估期间，AUROC得分分别为0.92和0.94。机器学习模型的出色性能强调了这些算法的潜力，不仅是TCAR，而且对于各种血管程序的风险评估。
为什么这很重要？由于颈动脉狭窄通常与重大健康风险有关，因此提高预测能力会导致更明智的临床决策。在手术之前识别高危患者的能力可以允许增强术前评估并优化患者管理，从而有可能预防不良事件。
哮喘研究领导者之一指出：``我们的ML算法具有重要的实用性，可以指导围手术期风险降低风险降低策略，以防止TCAR遵循不利的结果。这突出了机器学习的重要作用，而不仅仅是仅仅分析工具相反，它们已成为临床决策过程的组成部分。
这些发现还阐明了高危患者的特征。发现最有可能遭受不良后果的人被发现年龄较大，主要是男性，并且表现出常见的合并症，例如高血压和糖尿病。了解这些危险因素使外科医生和医疗专业人员与洞察力相应地量身定制干预措施。
尽管取得了令人鼓舞的结果，但研究人员还是承认了一些局限性。该研究仅依赖于主要从北美收集的VQI数据，这意味着未来的研究必须验证这些预测模型在不同人群和医疗机构中的适用性。
重要的是，研究人员公开提供了法规，促进透明度并使其他医疗机构在其实践中利用这些预测模型。VQI记录了超过100万个程序，机器学习工具的集成有望大大重塑护理和患者结果的质量。
当前的努力着重于调整这些模型与实时临床数据联系起来，从而可以在护理点进行立即的风险评估。这些应用程序很大，可以彻底改变血管护理的交付方式。
总体而言，随着医疗领域越来越多地采用机器学习技术，这项研究标志着向前迈出的重要一步。通过磨练TCAR结果的预测准确性，它为增强患者管理策略和血管健康中的资源的明智使用奠定了基础。