一种用于诊断急性肺栓塞的机器学习模型,并与威尔斯得分,修订的日内瓦得分和Years算法进行比较

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 急性肺栓塞 (APE) 是一种危及生命的心血管疾病,由于非特异性症状,经常会出现诊断延迟.
• 客观的诊断工具对于及时准确的APE诊断至关重要.
• 机器学习 (ML) 在心血管风险评估和生物标志物识别方面已经证明有用.

研究的目的:

• 开发和评估用于诊断急性肺栓塞 (APE) 的机器学习 (ML) 模型.
• 将开发的ML模型的诊断性能与已建立的临床概率评估工具进行比较.

主要方法:

• 一项追溯性研究,涉及疑似APE的患者.
• 开发八个ML模型,包括随机森林 (RF),使用临床特征,如D-二聚合物和热素T.
• 使用ROC分析对表现最佳的ML模型与威尔斯得分,修订的日内瓦得分和Years算法进行评估.

主要成果:

• 随机森林 (RF) 模型表现出最高的诊断性能,AUC为0.774.
• 与威尔斯评分 (P=0.030) 相比,RF模型表现优越,并且与其他临床策略相比不劣.
• 内部验证显示,在诊断APE时,RF模型的AUC为0.726.

结论:

• 使用射频算法开发了一种用于APE诊断的新型预测模型.
• 基于ML的RF模型比目前的临床评估策略提供了更好的诊断效率和准确性.
• ML算法是帮助临床医生诊断APE的一个有价值的工具.