心不全患者の死亡率予測: 機械学習 対 ガイドライン-心不全 (GWTG-HF) と 急性減補性心不全国家レジストリ (ADHERE)
Dayanna Q Palmer1, Ronaldo A Gismondi1, Pedro Gemal1
1Internal Medicine, Universidade Federal Fluminense, Niterói, BRA.
エクストリーム・グラディエント・ブースティング (XGB) は,心不全の死亡リスクを予測する従来のスコアを上回った. この機械学習モデルは リスクの高い患者のための 改善された臨床意思決定を可能にします
科学分野:
- 心臓病科
- 医療情報学
- 機械学習
背景:
- 心不全患者の死亡率を予測することは,適切な介入に不可欠です.
- 機械学習 (ML) モデルは,心血管リスクの予測に有望である.
研究 の 目的:
- 心臓病重症治療室 (CICU) に入院したHF患者の入院死亡率に関する従来のスコア (ADHERE,GWTG-HF) に対して,Extreme Gradient Boosting (XGB) モデルの予測性能を比較する.
主な方法:
- MIMIC- IVデータベースを利用して,ICUの18歳以上のHF患者 (n=5602) のデータを収集した.
- XGBモデルを開発し,ADHEREとGWTG-HFのスコアを計算しました.
- 受信機の動作特性曲線 (AUC) 以下の面積を用いてモデルの性能を評価する.
主要な成果:
- XGBモデルは,GWTG- HF (65. 5%) とADHERE (63. 4%) に比べて,より高いAUC (72.1%) を達成した.
- 病院での死亡率は6. 2% (346例) であった.
結論:
- XGBベースのモデルは,既定のスコアよりも,入院死亡率の予測性能を大幅に向上させました.
- これは,XGBがICUでのHF患者の臨床的意思決定を強化する潜在的有用性を示唆しています.
さらに関連する動画
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:20Lumped-Parameter and Finite Element Modeling of Heart Failure with Preserved Ejection Fraction
Published on: February 13, 2021
関連する概念動画
Heart Failure V: Medical Management
Heart Failure VI: Adjunct Therapies
Heart Failure IV: Classification and Diagnostic Evaluation
Heart Failure I: Introduction
Kaplan-Meier Approach
Heart Failure II: Pathophysiology
