通过机器学习风险评估模型预测穿皮冠状动脉干预后的损失

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:

• 穿皮冠状动脉干预 (PCI) 的精准医学需要有效的风险分层工具.
• 准确预测PCI后的结果对于个性化患者管理至关重要.

研究的目的:

• 评估基于机器学习 (ML) 的风险模型,用于预测PCI中的临床相关结果.
• 通过ML驱动的风险预测,支持PCI个性化的临床决策.

主要方法:

• 在来自e-ULTIMASTER注册表的35,389名PCI患者的数据集上训练了五个ML模型 (GBC,LDA,天真贝叶斯,逻辑回归,k-NN).
• 利用23个患者和程序特征作为预测变量,将数据分成80%的培训和20%的测试集.
• 基于歧视 (AUC) 和对1年目标病变缺陷 (TLF) 的校准进行评估的模型.

主要成果:

• 梯度增强分类器 (GBC) 在1年的TLF中实现了最高的区分能力,AUC为0.72 (95%CI:0.69-0.75).
• GBC显示了TLF组件的强烈歧视:心脏死亡 (AUC 0.82),目标血管心肌梗塞 (AUC 0.75) 和再血管 (AUC 0.68).
• 模型校准是公平的,尽管风险在风险最高的分数中被低估了.

结论:

• 在接受PCI的患者中,ML衍生的预测模型提供了相当准确的1年TLF预测.
• 对开发的预测得分进行前性评估是有必要的,以验证其临床效用.