用人工智能驱动的决策支持用于早期检测心脏事件:揭示模式和预测心肌缺血症

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 心血管疾病 (CVDs) 是一个重大的全球健康挑战,在全球范围内对死亡率作出重大贡献.
• 管理关键心血管疾病事件的有效策略,如心肌梗塞,肺血栓栓塞和大动脉狭窄,对于改善患者的治疗结果至关重要.
• 将先进的数据分析技术纳入临床实践具有提高诊断和治疗决策的潜力.

研究的目的:

• 开发和验证预测机器学习 (ML) 模型,用于早期检测心血管事件.
• 利用探索性数据分析 (EDA) 揭示心血管疾病数据中的复杂模式.
• 为医疗从业者提供增强的工具,以便在关键心脏护理中做出明智的决策和及时干预.

主要方法:

• 使用跨行业数据挖掘标准流程 (CRISP-DM) 方法来进行结构化数据分析.
• 对圣玛丽亚医院的患者数据进行了广泛的探索性数据分析 (EDA),以确定疾病特异性模式.
• 开发和训练预测机器学习 (ML) 模型,以预测心血管事件的发生.

主要成果:

• 探索性数据分析揭示了与心血管疾病相关的重要,复杂的模式和关系.
• 机器学习模型对已识别的心血管事件的预测准确度超过80%.
• 为了预测心肌缺血事件,建立了一个13分钟的预测窗口,促进主动干预.

结论:

• 这项研究成功地证明了心血管医学实时数据利用和预测分析的概念证明.
• 开发的ML模型为增强医疗策略和通过早期检测和干预改善患者护理提供了有价值的工具.
• 这种方法有可能通过使积极和知情的临床决策成为可能,对心血管疾病的管理产生重大影响.