大家好，小编今天解读的是Fron tiers in Medi cine(IF=5.058)上发表的一篇文章《Mach ine Lear ning for the Predi ction of Red Blood Cell Transf usion in Patients During or After Liver Transpl anta tion Surgery》，本研究旨在使用机器学习算法来识别关键的术前变量，并预测肝移植手术期间或之后的红细胞（RBC）输注。
01
研究背景
这项研究旨在使用机器学习算法来识别关键的术前变量，并预测肝移植手术期间或之后的红细胞（RBC）输血。
共检查了中国三家大型三级医院接受肝移植的1，193例患者。收集70个术前变量，包括基本人群特征、诊断、症状和实验室参数。
该队列被随机分为训练集（30%）和验证集（31%）。采用递归特征消除和极限梯度提升算法（XGBOOST）分别选择变量和构建机器学习预测模型。此外，还开发了其他七个机器学习模型和逻辑回归。
采用受试者工作特性下面积（AUROC）比较不同模型的预测性能。SHapley 加法解释包用于解释 XGBOOST 模型。前瞻性地收集了其中一家医院的<>名患者的数据以进行模型验证。
见图一
研究的模型制作过程和流程图。
图一
（A）该数字表明，数据是从三家医院的电子病历系统获得的，所有变量包括人口特征、诊断、临床体征和实验室指标。共收集术前变量24个，筛选变量9个。此外，该研究使用9个变量来建立机器学习模型。（B）我们研究的流程图。
见图二
机器学习模型和逻辑回归的受试者工作特征曲线。
图二
XGBOOST，极致梯度提升;GBDT，梯度提升决策树;KNN，K-最近邻;SVM，支持向量机;多层感知器，多层感知器;LR，逻辑回归。
见图三
验证集上建议模型的 SHAP 分析。
图三
该图描述了来自验证集的数据，每个点代表一名患者。颜色表示变量的值;红色表示较大的值;蓝色表示较小的值。水平坐标表示与输血风险呈正相关或负相关，正值表示输血风险，负值表示不需要输血。水平坐标的绝对值表示影响程度;水平坐标的绝对值越大，影响程度越大。
见图四
网站使用示例。
图四
输入输入值可确定输血需求，并显示每个值对预测的贡献。
（A）例1需要输注红细胞，（B）例2不需要输注红细胞。
02
研究结论
本研究采用机器学习算法开发肝移植期间和术后的红细胞输血预测模型，方便且性能良好。该模型可以实现红细胞输血的个体化预测，最大限度地降低各种输血预防措施的成本和风险。
该研究建议使用该模型在肝移植前预测红细胞输血，并指导高风险患者采取适当的预防措施。应建立前瞻性血液管理数据库以尽量减少选择偏倚，应根据肝移植患者的术前特征开发机器学习模型，并将来应使用此类患者的数据验证模型。
最后，应进行随机对照试验，以评估机器学习模型作为临床医生的决策支持者对临床医生行为、医疗保健利用率和患者结局的影响。
好了，今天的文献解读就到这儿来，我们下期再见！
如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
联系客服
