基于XGBoost的有效预测模型,用于RFA后AF患者12个月复发的AF患者
ShiKun Sun1, Li Wang1, Jia Lin1
1The First Affiliated Hospital of Soochow University, Suzhou, 215006, China.
BMC cardiovascular disorders
|November 17, 2023
概括
这项研究开发了一种XGBoost模型,用于预测射频废除 (RFA) 后心房动 (AF) 复发. 该模型准确识别高风险患者,有助于个性化AF管理和治疗决策.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 心房动 (AF) 是一种普遍的心律障碍,与中风和心力衰竭有关.
- 射频切除 (RFA) 是一种常见的AF治疗方法,但复发仍然是一个挑战.
- 预测RFA后的AF复发对于优化患者管理至关重要.
研究的目的:
- 在RFA后12个月开发和验证AF复发的临床预测模型.
- 为了利用机器学习,特别是极端梯度提升 (XGBoost),提高预测准确度.
- 为了确定影响AF复发后去除的关键临床变量.
主要方法:
- 对359名因AF接受RFA治疗的患者进行了回顾性分析.
- 将XGBoost与后勤回归,SVM和RF进行比较,以预测性能.
- 使用AUC,AP和校准曲线进行评估;变量重要性的SHAP.
主要成果:
- 在预测AF复发方面,XGBoost表现出卓越的性能.
- 发现的关键预测因素包括喷射分数,NT-proBNP,LAAGPLS,LAD,糖尿病史和性别.
- XGBoost实现了高精度 (86.1%),特异性 (89.7%) 和灵敏度 (71.4%).
结论:
- 开发了一种有效的基于XGBoost的模型,用于预测RFA后AF复发.
- 该模型可以指导临床治疗决策,并改善AF管理策略.
- 识别的关键参数提供了有关AF复发的因素的见解.
