人工智能建模用于评估瘤病患者心血管疾病的风险

科学领域:

• 在瘤学瘤学.
• 心脏病学 心脏病学
• 机器学习 机器学习

背景情况:

• 对于瘤学家来说,缺乏全面的机器学习 (ML) 工具来识别患有心血管疾病风险的癌症患者.
• 及时转诊到心脏瘤医院对于管理与治疗有关的心脏毒性至关重要.

研究的目的:

• 应用ML算法来识别患有心血管疾病风险的瘤患者.
• 为了生成护理质量的风险评分,并支持对心脏瘤的转诊.

主要方法:

• 利用了来自范德比尔特大学医学中心的非身份患者数据.
• 应用随机森林 (RF) 和人工神经网络 (ANN) ML模型用于包括乳腺癌,癌,B细胞淋巴瘤和免疫治疗患者在内的队列.
• 分析了20023份患者记录,数据随机分为80%的培训和20%的测试集.

主要成果:

• 两种RF和ANN模型都实现了90%以上的准确性和曲线下的面积 (AUC).
• ANN模型的性能优于RF模型,在识别有风险的患者方面表现出更高的准确性.
• 有限的验证表明,86%的淋巴瘤和58%的患有严重心脏毒性风险的癌患者最初没有被转诊到心脏瘤学.

结论:

• 开发的预测性ML模型已经准备好整合到瘤实践中.
• 模型将集成到电子健康记录中,以标记需要心脏瘤转诊的患者.
• 这些模型的运行支持心脏瘤实践,旨在改善患者监测和针对心脏毒性的量身定制治疗.