使用临床,实验室和心电图数据的机器学习方法提高了阻塞性冠状动脉疾病的预测能力
Hyun-Gyu Lee1, Sang-Don Park2, Jang-Whan Bae3
1School of Medicine, Inha University, Incheon, Korea.
这项研究开发了一种使用机器学习和深度学习来预测阻塞性冠状动脉疾病 (ObCAD) 的整体模型. 该模型整合了临床,实验室和心电图数据,优于用于准确的OBCD评估的传统方法.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 对于阻塞性冠状动脉疾病 (ObCAD) 的传统预测概率 (PTP) 模型可能会高估风险.
- 将标准实验室发现和心电图 (ECG) 原始数据整合到PTP估计中需要进一步评估.
研究的目的:
- 开发和评估一个使用机器学习 (ML) 和深度学习 (DL) 进行ObCAD评估的集合模型.
- 纳入临床,实验室和心电图数据,以改善PTP估计.
主要方法:
- 从7907名被怀疑患有OBCD的患者的电子病历中提取数据,这些患者接受了冠状动脉血管学 (2008-2020年).
- 使用27个临床和实验室变量开发了一个ML模型.
- 使用心电图波形数据开发了一个DL模型.
- 将组合模型组合成一个组合,用于ObCAD预测.
主要成果:
- 临床实验室模型的AUC达到0.747.
- 在ECG模型中,AUC值为0.685.5.
- 整体模型显示最高的AUC为0.767,灵敏度,特异性和F1分数分别为0.761,0.625和0.696.
结论:
- 与传统的PTP模型相比,整体模型显示了对ObCAD的优异预测性能.
- 这种方法可以实现个性化的ObCAD评估,并减少对预测概率的高估.
- 将ML/DL与临床,实验室和心电图数据集成为心血管风险分层提供了一个有希望的策略.
更多相关视频
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
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
Coronary Artery Disease I: Introduction
Acute Coronary Syndrome III: Diagnostic Studies
Coronary Artery Disease IV: Preventive Measures
Coronary Artery Disease III: Clinical Manifestations
Coronary Artery Disease V: Interprofessional Care
Coronary Artery Disease II: Pathophysiology
