[论文解读] Gradient Boosting on Decision Trees for Mortality Prediction in Transcatheter Aortic Valve Implantation

Marco Mamprin, Zelis, Jo M.+3 more|arXiv (Cornell University)|Jan 8, 2020

Cardiac Valve Diseases and Treatments参考文献 14被引用 6

一句话总结

本研究开发了一种基于决策树的梯度提升模型，结合类别特征优化，用于预测经导管主动脉瓣植入术（TAVI）后一年内死亡率。该模型在270例病例中AUC达到0.83，优于EuroSCORE II和STS等既有的风险评分，并通过可解释的特征分析整合了临床专家反馈，提升了模型的相关性与准确性。

ABSTRACT

Current prognostic risk scores in cardiac surgery are based on statistics and do not yet benefit from machine learning. Statistical predictors are not robust enough to correctly identify patients who would benefit from Transcatheter Aortic Valve Implantation (TAVI). This research aims to create a machine learning model to predict one-year mortality of a patient after TAVI. We adopt a modern gradient boosting on decision trees algorithm, specifically designed for categorical features. In combination with a recent technique for model interpretations, we developed a feature analysis and selection stage, enabling to identify the most important features for the prediction. We base our prediction model on the most relevant features, after interpreting and discussing the feature analysis results with clinical experts. We validated our model on 270 TAVI cases, reaching an AUC of 0.83. Our approach outperforms several widespread prognostic risk scores, such as logistic EuroSCORE II, the STS risk score and the TAVI2-score, which are broadly adopted by cardiologists worldwide.

研究动机与目标

• 开发一种机器学习模型，以改进现有统计风险评分在预测TAVI术后一年死亡率方面的表现。
• 利用原生支持类别特征的决策树梯度提升算法，提升预测性能。
• 通过模型解释技术将临床专业知识融入特征选择过程。
• 在真实世界的TAVI队列中验证模型性能，并与广泛应用的风险评分进行比较。
• 构建一种临床可解释且稳健的模型，以支持TAVI患者的选择。

提出的方法

• 作者采用专为类别特征设计的梯度提升算法，能够有效建模包含多种数据类型临床数据的混合特征。
• 应用一种近期的模型解释技术，分析特征重要性并指导特征选择。
• 临床专家基于解释结果对所选特征进行验证与优化，确保其临床相关性。
• 最终模型在包含270例TAVI患者的队列数据上进行训练与验证，以一年内死亡率为结局指标。
• 通过受试者工作特征曲线下面积（AUC）评估性能，并与逻辑EuroSCORE II、STS和TAVI2-score进行比较。
• 该方法强调预测准确率与可解释性，以支持临床决策。

实验结果

研究问题

• RQ1 基于类别特征支持的决策树梯度提升模型，是否能相比传统统计风险评分，提升TAVI患者死亡率的预测表现？
• RQ2 通过可解释的机器学习方法，哪些临床特征被识别为TAVI术后一年死亡率的最强预测因子？
• RQ3 在基于模型解释结果的专家验证特征选择下，模型性能如何变化？
• RQ4 所提出的模型在预测TAVI死亡率方面，相较于EuroSCORE II和STS等既定风险评分，优势有多大？
• RQ5 可解释的机器学习技术是否能增强预测模型在介入心脏病学领域中的临床信任度与适用性？

主要发现

• 所提出的模型在270例TAVI病例的验证集中AUC达到0.83，表明其具有出色的判别能力。
• 该模型在预测TAVI术后一年死亡率方面，优于广泛使用的风险评分，包括逻辑EuroSCORE II、STS风险评分和TAVI2-score。
• 特征重要性分析揭示了关键的临床预测因子，经临床专家验证与优化，显著提升了模型的可解释性。
• 通过整合模型解释技术，实现了透明的特征选择，增强了模型的临床相关性与可信度。
• 采用原生支持类别特征的梯度提升方法，相比标准统计模型，提升了模型的稳健性与预测准确性。
• 结果表明，当机器学习模型与临床专业知识及可解释性相结合时，可显著提升TAVI患者的风险预测能力。