机器学习模型用于预测导管切除后心房的晚期复发

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 导管切除后心房 (AF) 的晚期复发是一个重大的临床挑战.
• 预测这种复发对于优化患者管理和治疗策略至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测导管切除后一年内晚期心房的复发.
• 为了确定关键的临床,实验室和程序变量预测AF复发.

主要方法:

• 开发和比较五个监督机器学习模型 (决策树,逻辑回归,随机森林,XGBoost,支持向量机器).
• 利用了201名接受冷却气球或射频移除的患者的82个参数.
• 模型培训和验证采用了分层的五倍交叉验证,其中对特征选择的重要性.

主要成果:

• 使用12个选定的变量,XGBoost模型展示了最好的预测性能.
• 在测试队列中达到0.75的曲线下面积 (AUC) (95%CI:0.73950.7653).
• 该模型的预测得到了进一步的解释,使用夏普利添加式扩展 (SHAP).

结论:

• 一个基于12个易于访问的临床和实验室变量的机器学习模型可以很准确地预测晚期AF复发后消去.
• 这种预测工具为改善患者选择和个性化AF管理策略提供了潜力.
• 这些发现表明,人工智能在临床心脏病学中有价值的应用,用于预测心房移除后的结果.