Prédiction de la mortalité après chirurgie cardiaque programmée : nouvelles approches par Machine Learning et Decision Curve Analysis - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Access content directly
Master Thesis Year : 2017

Mortality prediction after elective cardiac surgery: new Machine Learning and Decision Curve Analysis approaches

Prédiction de la mortalité après chirurgie cardiaque programmée : nouvelles approches par Machine Learning et Decision Curve Analysis

Abstract

Introduction. In cardiac surgery, morbi-mortality is important and the decision to operate is complex. Study purpose was to compare EuroSCORE II and Machine Learning to predict mortality after elective cardiac surgery via a Decision Curve Analysis (DCA). Methods. We conducted a retrospective monocentric study from December 2015 to December 2016, using a prospective data base, from the cardiac surgery unit of a University Hospital in Paris. Non elective cardiac surgery patients were excluded. The different models of prediction of in hospital mortality, including EuroSCORE II, Logistic Regression and Machine Learning, were compared by Receiver Operating Characteristic (ROC) and a Decision Curve Analysis (DCA). Results. The study was carried among 6520 patients. Mortality rate was 6.3%. Average age was 63.4 years old and the average EuroSCORE II was 3.7%. Area under the ROC curve (IC 95%) for the Machine Learning 0.795 (0.755-0.834) model was significantly higher than the one of the EuroSCORE II and the Logistic Regression models (respectively 0.737 (0.691-0.783) and 0.742 (0.698-0.785, p<0.0001). The DCA proved that the Machine Learning model had a greater clinical benefit. Conclusion. According to ROC curve and DCA, Machine Learning model was more efficient than EuroSCORE II to predict in hospital mortality after elective cardiac surgery. This result confirms the growing interest of Machine Learning in establishing predictive models in medicine.
Introduction. En chirurgie cardiaque, la morbi-mortalité est importante et la décision d’opérer un patient est complexe. L’objectif de notre étude était de comparer l’EuroSCORE II au Machine Learning pour prédire la mortalité dans les suites d’une chirurgie cardiaque programmée via une Decision Curve Analysis (DCA). Matériel et Méthodes. Nous avons réalisé une étude rétrospective, monocentrique, entre décembre 2005 et décembre 2012, à partir d’une base de données prospective, au sein de l’unité de chirurgie cardiaque d’un Centre Hospitalo-Universitaire parisien. Les patients admis pour chirurgie cardiaque non programmée étaient exclus. Les différents modèles de prédiction de la mortalité hospitalière, incluant l’EuroSCORE II, le modèle de régression logistique et le modèle Machine Learning, étaient comparés via une courbe Receiver Operating Characteristic (ROC) et une DCA. Résultats. Il y avait 6520 patients. La mortalité hospitalière était de 6,3%. La moyenne d'âge était de 63,4 ans et l'EuroSCORE II moyen de 3,7 %. L'aire sous la courbe ROC (IC 95%) pour le modèle Machine Learning 0,795 (0,755-0,834) était significativement plus élevée que celle de l'EuroSCORE II et du modèle de Régression Logistique (respectivement 0,737 (0,691-0,783) et 0,742 (0,698-0,785, p<0,0001). Après DCA, le modèle de Machine Learning avait un plus grand bénéfice clinique. Conclusion. D’après la courbe ROC et la DCA, le modèle Machine Learning était supérieur à l’EuroSCORE II pour la prédiction du risque de mortalité intra hospitalière dans les suites d’une chirurgie cardiaque programmée. Ce résultat confirme l’intérêt grandissant du Machine Learning pour l’établissement de modèles prédictifs en médecine.
Fichier principal
Vignette du fichier
Med_spe_2017_Belghiti_Alaoui.pdf (832.32 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

dumas-02437224 , version 1 (13-01-2020)

Identifiers

  • HAL Id : dumas-02437224 , version 1

Cite

Myriem Belghiti Alaoui. Prédiction de la mortalité après chirurgie cardiaque programmée : nouvelles approches par Machine Learning et Decision Curve Analysis. Sciences du Vivant [q-bio]. 2017. ⟨dumas-02437224⟩
146 View
1536 Download

Share

Gmail Facebook X LinkedIn More