相关实验视频
Updated: Jul 20, 2025

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
机器学习模型的衍生和外部验证,用于胸痛风险分层与正常的托罗邦尼
Agustín Fernández-Cisnal1, Pedro Lopez-Ayala2, Ernesto Valero1
1Cardiology Department, Hospital Clínico Universitario de València, Instituto de Investigación Sanitaria (INCLIVA), University of València, Centro de Investigación Biomédica en Red Enfermedades Cardiovaculares (CIBERCV), València, Spain.
新的机器学习模型有效地对患有胸痛和低高灵敏性心脏类素T (hs-cTnT) 水平的患者进行风险分层,优于现有的得分并减少不必要的测试.
科学领域:
- 心脏病学 心脏病学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 对胸痛患者的风险分层具有正常的高灵敏性心脏热素T (hs-cTnT) 是具有挑战性的.
- 准确预测90天死亡或心肌梗塞的情况对于及时干预至关重要.
研究的目的:
- 开发和外部验证用于预测90天死亡或心肌梗塞的临床模型.
- 改善急诊室患者胸痛和初始hs-cTnT低于上限 (URL) 的风险分层.
主要方法:
- 在西班牙队列 (4075名患者) 上训练了四个机器学习模型和一个后勤回归 (LR) 模型.
- 在国际队列 (3609名患者) 上进行外部验证的模型.
- 将模型性能与GRACE和HEART分数进行比较,并使用无法检测的hs-cTnT策略 (u-cTn).
主要成果:
- 渐变增强全 (GBf) 模型显示出优越的歧视 (AUC = 0.808).
- GBf模型确定了安全出院的患者比例最高 (36.7%),安全性与其他方法相比较.
- 所有开发的模型都超过了HEART和GRACE分数 (P < 0.001).
结论:
- 机器学习和LR模型在胸痛患者的风险分层方面优越,基线hs-cTnT
- 渐变增强的全型模型提供了差别,校准和有效性的最佳平衡.
- 这些模型可以将连续hs-cTnT测试的需求减少三分之一以上.
更多相关视频
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
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
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Angina III: Clinical Manifestations and Assessment
Blood Studies for Cardiovascular System I: Cardiac Biomarkers
The essential diagnostic tools for detecting myocardial necrosis and monitoring individuals suspected of having acute coronary syndrome (ACS) include:
Troponins
Troponins, particularly cardiac troponins I and T, are the most precise and sensitive markers of myocardial injury. They are detectable within 4-6 hours of myocardial injury and remain...
Acute Coronary Syndrome III: Diagnostic Studies