机器学习用于预测ST升高心肌梗塞患者的2型糖尿病患者的医院内死亡率

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:

• 对高危患者,特别是急性心肌梗塞患者来说,准确预测住院死亡率至关重要.
• 2型糖尿病 (T2DM) 复杂化了ST段升高心肌梗塞 (STEMI),需要改进的预后工具.
• 目前用于预测T2DMSTEMI患者的预后的方法有限.

研究的目的:

• 将六种机器学习模型的预测性能与T2DM的STEMI患者住院死亡率的GRACE风险评分进行比较.
• 确定最有效的机器学习模型来预测患者群体的结果.

主要方法:

• 六个机器学习模型 (随机森林,CatBoost,天真贝叶斯,XGBoost,GBC,LR) 进行了训练和验证.
• 全球急性冠状动脉事件注册表 (GRACE) 风险评分被用作基准.
• 模型性能使用包括精度,曲线下的面积 (AUC),精度和F1分数在内的指标进行评估.

主要成果:

• 所有七种模型,包括GRACE得分,都表现出预测能力,AUC从0.73到0.91.9不等.
• CatBoost模型实现了最高的性能,精度为0.93,AUC为0.92,精度为0.79,F1得分为0.57.
• 在预测T2DM的STEMI患者的住院死亡率方面,CatBoost显著优于其他模型.

结论:

• 机器学习,特别是CatBoost模型,显示出在T2DM的STEMI患者中准确预测住院死亡率的巨大潜力.
• 这些模型可以帮助临床医生定制精确的管理策略并改善患者的预后.
• 进一步临床整合这些算法可以提高心血管紧急情况的精准医学方法.