基于机器学习的预测,皮肤穿透冠状动脉干预后的分数流量储备
Rikuta Hamaya1, Shinichi Goto2, Doyeon Hwang3
1Department of Epidemiology, Harvard T.H. Chan School of Public Health, Boston, MA, USA.
Atherosclerosis
|October 5, 2023
概括
机器学习可以使用基线数据适度预测PCI后的FFR. 在皮肤冠状动脉干预 (PCI) 后,与预测的分量流量储备 (FFR) 显著偏差表明目标血管故障的风险增加.
科学领域:
- 心脏病学 心脏病学
- 医疗技术 医疗技术 医学技术
- 数据科学在医学中的数据科学
背景情况:
- 皮肤穿透后冠状动脉干预 (PCI) 分流储备 (FFR) 评估了剩余的动脉样硬化负担.
- 从基线数据来预测PCI后FFR的可预测性及其临床相关性仍未得到充分研究.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于使用基线信息预测PCI后的FFR.
- 评估FFR偏离预测值和事件目标船故障 (TVF) 之间的关联.
主要方法:
- 编制了PCI前后FFR患者的多中心注册表.
- 在基线人口统计,定量冠状动脉血管学和PCI前FFR上训练ML算法,以预测PCI后FFR.
- 分析了FFR偏差 (实际减去预测) 与TVF的关联.
主要成果:
- ML模型在实际和预测的PCI后FFR之间实现了适度的相关性 (斯皮尔曼的rho=0.54).
- FFR偏差与事件TVF有非线性关联,在偏差低于或等于零时观察到更高的风险.
结论:
- ML算法可以从易于获得的基线数据中适度预测PCI后的FFR.
- 与ML预测值的FFR偏差是PCI后面面向船舶的不良事件的重要预测指标.
