机器学习可以帮助选择皮肤再血管化与手术再血管化吗?

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 生物统计学 生物统计学

背景情况:

• 个性化风险预测对于治疗三血管和左主冠状动脉疾病 (CAD) 的治疗决策至关重要.
• 穿皮冠状动脉干预 (PCI) 和冠状动脉旁路移植 (CABG) 之间的选择需要准确的预后评估.

研究的目的:

• 评估机器学习 (ML) 算法的有效性,以改善复杂CAD的重血管化决策.
• 整合临床,生物学和解剖学数据,以提高风险预测.

主要方法:

• 使用ML算法 (拉索回归,梯度提升) 来开发5年死亡率预后指数.
• 该模型包括治疗分配 (PCI与CABG) 和效果修饰剂 (疾病类型,SYNTAX得分).
• 使用SYNTAX试验和CREDO-Kyoto注册表进行了验证,与SYNTAX Score II 2020进行了比较.

主要成果:

• 混合梯度增强模型显示出对5年全因死亡的优异预测 (C指数分别为0.78和0.77在交叉验证和外部验证中).
• 在外部验证队列中,ML模型在预测死亡率方面超过了SYNTAX Score II 2020的表现.
• 在CABG和PCI之间的治疗效益中发现了显著的异质性.

结论:

• 在复杂的CAD中,基于ML的方法是可行的和有效的指导重血管化选择.
• 在医疗保健系统中实施这些模型可以在全球范围内标准化决策.
• 这种方法增强了对冠状动脉疾病的个性化风险评估和治疗选择.