术后需要透析的急性肾损伤(PO-AKID)是一种严重的不良事件，不仅影响急性发病率和死亡率，而且影响长期预后。早期诊断和围手术期风险管理可能有助于降低死亡率。先前的心脏手术后急性肾损伤(PO-AKI)风险预测模型是使用传统回归分析开发的。
然而，传统的统计方法受到过度拟合和多重共线性的限制，阻碍了对许多解释变量的分析。机器学习 (ML) 能够处理不完整、复杂的数据并提供见解以支持临床决策。
关于 PO-AKI 预测，越来越多的证据表明，与传统统计分析相比，机器学习模型可以提供更准确的结果预测。尽管如此，缺乏可解释性阻碍了机器学习模型在临床决策支持中的应用。以视觉方式预测患者的 PO-AKID 个体风险将有助于医生了解 ML 模型如何做出决策并接受这项新技术。
最近，陈秋英医生(中国广东省广州市暨南大学第一附属医院放射科)和付彪医生(广东省心血管病研究所、广东省人民医院、广东省医学科学院，广东省广州市) ，中国)开发了一种实用且可解释的网络计算器(PO-AKID-teller)来检测 ATAAD 手术后可能出现 PO-AKID 的患者。
这项回顾性研究回顾了 2016 年 10 月至 2021 年 6 月期间接受 ATAAD 手术的 549 名患者。该研究发表在MedComm – Future Medicine杂志上。
初始数据集分为 80% 的训练队列 (n=439) 和 20% 的测试队列 (n=110)。有七个预测因素可以表明 PO-AKID，包括既往心血管手术、血小板、血清肌酐、夹层受累的末端部位、右冠状动脉受累、估计失血量和尿量。在六个机器学习分类器中，他们发现随机森林模型表现出最佳的预测性能，训练组的曲线下面积为 0.863，测试组的曲线下面积为 0.763。