机器学习用于预测慢性全闭塞的皮肤冠状动脉干预技术结果

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 慢性全闭性冠状动脉干预 (PCI) 需要精确预测技术成功,以优化患者的治疗选择.
• 现有的CTO-PCI成功预测得分表现不佳,这表明需要改进预测模型.
• 机器学习 (ML) 技术在各种医疗学科的预测和决策方面提供了有希望的进步.

研究的目的:

• 调查CTO-PCI技术成功的ML模型的可预测性.
• 将ML模型的性能与已建立的预测分数 (J-CTO,CL,CASTLE) 进行比较.

主要方法:

• 利用了来自日本CTO-PCI专家注册的数据,其中包括8760名连续患者.
• 使用接收器操作曲线下的面积 (ROC-AUC) 评估预测模型性能.
• 与最好的ML模型 (极端梯度提升 - XGBoost) 与J-CTO,CL和CASTLE分数进行了比较.

主要成果:

• 对于CTO-PCI的整体技术成功率为91.2% (在8760个程序中7990个).
• 与J-CTO (0.697),CL (0.662) 和CASTLE (0.659) 分数 (p < 0.005) 相比,XGBoost ML 模型实现了优异的预测性能 (ROC-AUC 0.760).
• 在XGBoost模型中,化成为CTO-PCI成功的主要预测因素,该模型显示了观察到的和预测的概率之间的良好一致性.

结论:

• 机器学习技术,特别是XGBoost,为CTO-PCI成功提供了准确和具体的预测.
• 这些ML模型可以显著提高CTO个体患者的治疗选择.
• 这些发现支持将ML纳入复杂冠状动脉干预的临床决策.