系統的炎症指数に基づく急性STセグメント上昇心筋梗塞の患者における悪性心房不律の予測のための解釈可能な機械学習モデル

科学分野:

• 心臓病科
• 医療情報学
• バイオマーカー

背景:

• 経皮冠動脈干渉 (PCI) は,STセグメント上昇性心筋梗塞 (STEMI) に至关重要ですが,悪性心室不律 (MVA) のリスクを伴う.
• 系統的炎症指数はMVAリスクの潜在的バイオマーカーですが,現在の予測モデルはしばしばこれらのマーカーを無視し,伝統的な方法に依存しています.
• PCI後のSTEMI患者の入院MVAを予測するために,高度な解釈可能なモデルが必要です.

研究 の 目的:

• 緊急PCIを受けるSTEMI患者の入院MVAリスクを予測するための解釈可能な機械学習 (ML) モデルを開発する.
• MVAリスクの予測を強化するために,全身の炎症指数と伝統的な臨床指標を活用する.
• 臨床的意思決定を改善し,MVA予防のための早期介入を促進する.

主な方法:

• 485人のSTEMI患者を遡及分析し,トレーニングと時間検証のコホートに分けました.
• システム炎症指数,臨床指標,またはその組み合わせを用いたMLモデル (ランダムフォレスト,ロジスティックリグレッション,SVM,XGBoost) の開発と検証.
• 特徴の重要性とモデルの解釈性に関するSHAP (シャップリー・アディティブ・エクスプリナーション) の値の適用

主要な成果:

• 88人 (18. 1%) がMVAを発症した. 炎症指数と臨床マーカーを含む9つの予測要因は,MVAリスクと有意に関連していました.
• ランダムフォレスト (RF) モデルは,他のMLモデルとロジスティック回帰を上回る最高の予測性能 (AUC: 0.925) を達成しました.
• SHAP分析では2つの全身性炎症指数と3つの伝統的な臨床マーカーが,入院中のMVAの主要な予測指標として特定されました.

結論:

• 系統的炎症指数と臨床指標を統合したRFモデルは,PCI後のSTEMI患者における入院MVAを効果的に予測します.
• このMLアプローチは,従来の方法と比較して優れたリスク分層精度を提供します.
• このモデルは早期の臨床介入を促進し,MVAの発生を減少させ,患者のアウトカムを改善する可能性があります.