基于机器学习的冠状动脉疾病标记:在两个纵向队列中推导和验证
Iain S Forrest1, Ben O Petrazzini2, Áine Duffy2
1The Charles Bronfman Institute for Personalized Medicine, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Medical Scientist Training Program, Icahn School of Medicine at Mount Sinai, New York, NY, USA; The BioMe Phenomics Center, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Department of Genetics and Genomic Sciences, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
一个新的机器学习模型生成冠状动脉疾病 (ISCAD) 的in-silico评分,量化动脉样硬化和死亡风险. 这种工具可以识别诊断不足的个体,改善冠状动脉疾病的评估,
科学领域:
- 心血管疾病研究
- 在医疗保健中的机器学习
- 生物标志物开发
背景情况:
- 冠状动脉疾病 (CAD) 的二元诊断缺乏严重程度和风险评估的细节性.
- 需要量化标志物来更好地了解CAD的复杂性和患者的结果.
- 机器学习为开发新的定量CAD标记提供了潜力.
研究的目的:
- 开发和验证预测冠状动脉疾病 (CAD) 的机器学习模型.
- 评估模型的概率作为CAD (ISCAD) 的in-silico得分.
- 评估ISCAD与临床结果的关联,包括狭窄和死亡率.
主要方法:
- 开发并验证使用95,935个电子健康记录的CAD预测ML模型.
- 在两个纵向生物库队列中评估ISCAD得分的模型概率.
- 测量ISCAD与冠状动脉狭窄,阻塞性CAD,死亡和继发症的相关性.
主要成果:
- 在验证和测试组中,ML模型实现了高预测性能 (AUC 0.91-0.95).
- ISCAD评分与冠状动脉狭窄的严重程度和程度有正相关性.
- 较高的ISCAD分值显示所有死因和心肌梗塞风险逐步增加.
- 鉴定出患有高ISCAD分数且有临床证据表明患有CAD的患者.
结论:
- 基于电子健康记录的ML模型可以生成CAD (ISCAD) 的非侵入性内标志物.
- 在连续频谱上量化动脉样硬化和死亡风险.
- 这种方法有助于识别低诊断的CAD病例.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease I: Introduction
Coronary Artery Disease III: Clinical Manifestations
