探索机器学习的可行性,以在怀疑NSTE-ACS的胸痛患者中在3个月内预测风险分层
Zhi Chang Zheng1, Wei Yuan2, Nian Wang3
1Cardiovascular Medicine Department, Beijing Bo'ai Hospital, China Rehabilitation Research Center, Capital Medical University, Beijing 100068, China;Center for Coronary Artery Disease, Beijing Anzhen Hospital, Capital Medical University, Beijing 100029, China.
机器学习 (ML) 模型显示在预测胸痛患者主要不良心血管事件 (MACE) 方面优于HEART得分. ML准确地识别了这些心脏事件的关键风险因素.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 胸痛是一种常见的表现,需要对非ST升高急性冠状动脉综合征 (NSTE-ACS) 进行准确的风险分层.
- 目前的风险评估工具,比如HEART得分,在预测主要不良心血管事件 (MACE) 方面存在局限性.
研究的目的:
- 评估机器学习 (ML) 方法在预测NSTE-ACS胸痛患者的MACE中的可行性和优越性.
- 将ML模型的性能与已建立的HEART风险评分系统进行比较.
主要方法:
- 开发了五种不同的ML分类器,并使用准确度,精度,回忆,F-测量和曲线下的面积 (AUC) 等指标进行评估.
- 来自中国两个主要医院的患者数据被用于模型培训和验证.
- 绩效与HEART (历史,心电图,年龄,风险因素和热素) 评分进行了比较.
主要成果:
- 基于学习指标的ML模型在预测急性心肌梗塞 (AMI) 和全因死亡方面表现优于HEART得分.
- 具体来说,线性支向量机 (SVC),天真贝叶斯和后勤回归分类器在各种不良事件中实现了高性能 (准确度,精度,回忆,F-测量:0.8-1.0;AUC:0.88-0.98).
- 纯粹的贝叶斯模型确定了疑似急性冠状动脉综合征 (ACS),心电图异常,hs-cTn I升高,性别和吸烟作为MACEs的重要危险因素.
结论:
- ML方法,特别是使用线性SVC,天真贝叶斯和逻辑回归,在预测NSTE-ACS患者的MACE方面优于HEART得分.
- 在紧急胸痛情况下,ML提供了一种有希望和有效的方法来提高心血管风险预测.
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
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Acute Coronary Syndrome III: Diagnostic Studies
Acute Coronary Syndrome I: Introduction
Acute Coronary Syndrome V: Nursing Management
Angina III: Clinical Manifestations and Assessment
Acute Coronary Syndrome IV: Interprofessional Care
Acute Coronary Syndrome II: Pathophysiology and Clinical Manifestations
