데이터 및 심장 수술 위험의 논리적 분석

배경:

심혈관 임상의가 수행하는 가장 중요한 작업 중 하나는 공격적인 치료를 통해 혜택을 받을 가능성이 가장 높은 환자에게 적절한 대상을 지정하는 위험 계층화입니다. 현대의 위험 계층화 전략에는 비침습적 테스트 수행과 함께 임상 점수 시스템이 포함됩니다. 이러한 접근 방식이 일반적으로 사용되지만 임상의는 여전히 여러 임상 정보를 응집력 있는 글로벌 위험 평가에 통합해야 합니다. 따라서 대규모 관찰 데이터 세트의 데이터를 활용하여 복잡한 위험 점수를 개발하고 일상적인 실습에서 사용을 장려하는 개념이 점차 발전하고 수용되고 있습니다. 데이터의 논리적 분석(LAD)은 임상적으로 유용한 위험 예측 체계를 개발하고 검증할 목적으로 대규모 데이터베이스를 체계적으로 분석하는 잠재적으로 유용한 접근 방식입니다. 표준 회귀 기술과 달리 LAD는 주로 개별 위험 요소와 이들 간의 양방향 상호작용에 초점을 맞추지 않습니다. 오히려 LAD는 결과를 예측하는 결과 또는 증후군의 복잡한 패턴을 식별하도록 설계되었습니다. 이 방법은 경제학, 지진학, 석유 탐사의 문제에 적용되었지만 의학에는 적용되지 않았습니다.

디자인 내러티브:

이 연구에는 세 가지 구체적인 목표가 있습니다. 1). 다양한 유형의 심장 수술을 받는 환자들 사이에서 위험 예측 도구를 개발하고 검증하기 위해 LAD를 적용합니다. 2. LAD 예측 도구의 예측 값을 다중 시간 위상 파라메트릭 모델링을 포함한 표준 통계 방법을 사용하여 개발된 예측 도구와 비교합니다. 3. 많은 수의 상관 변수가 있는 대규모 생존 데이터 설정에서 위험 값을 추정하기 위한 새로운 Monte Carlo 방법인 상대 위험 숲을 사용하여 예측 도구를 개발합니다. 상대 위험 포리스트는 Breiman이 도입한 랜덤 포레스트를 개조한 것입니다. 가능한 경우 이러한 방법을 LAD와 비교합니다. 방법이 다른 데이터 설정으로 얼마나 잘 일반화되는지 측정하는 일반화 오류에 대한 내부 추정치가 계산되어 예측 도구 개발에 사용됩니다. 상대 위험 포리스트는 또한 부스팅, 스파이크 및 슬래브 변수 선택을 포함하여 몇 가지 다른 비결정적 방법과 비교됩니다. 이러한 모든 기술은 양호한 예측 오류를 유지하면서 복잡한 모델을 개발하는 데 사용할 수 있으며 기존 방법이 무너지는 고차원 문제에 이상적입니다. 이 프로젝트는 심장 수술을 받는 환자의 위험 평가에 초점을 맞추지만 의료 분야 내에서 매우 크고 복잡한 데이터 세트를 분석하는 수단으로서 LAD의 가치에 주로 관심이 있음을 인식하는 것이 중요합니다. 따라서 이 작업의 적용 가능성은 심장 수술을 받는 환자의 위험도를 결정하는 것 이상입니다.

이 연구에 사용되는 데이터는 Cleveland Clinic Foundation Cardiovascular Information Registry(CVIR)의 심장 수술 데이터로 구성됩니다. 4개의 데이터 코호트가 수집됩니다. 코호트 I: 1990년에서 2000년 사이에 18,914명의 CABG 환자; 코호트 II: 대동맥 판막 치환술을 받는 6952명의 환자; 코호트 III: 승모판 치환술을 받는 2979명의 환자; 코호트 IV: 승모판 수술을 받는 10,482명의 환자. 1차 종료점은 장기 총 사망률입니다. 판막 수술 환자의 경우 적극적인 후속 조치가 될 것입니다.