用自动机器学习模型预测高雅山动脉炎中风和心肌梗塞风险

科学领域:

• 心血管医学 心血管医学
• 类风湿病学 类风湿病学
• 医疗信息学 医疗信息学

背景情况:

• 塔卡亚苏动脉炎 (TA) 是一种罕见的,慢性炎症性疾病,影响大动脉.
• 严重的缺血性并发症 (SIC),包括中风和心肌梗塞,显著影响TA患者的结果.
• 在TA中预测SIC的现有模型是有限的.

研究的目的:

• 开发和验证Takayasu动脉炎 (TA) 患者严重缺血并发症 (SIC) 的预测模型.
• 为了确定与TA患者SIC相关的关键风险因素.

主要方法:

• 在2010年1月至2019年12月期间诊断出TA的703名患者的回顾性分析.
• 使用加权子空间随机森林模型进行预测.
• 使用歧视和校准指标评估模型性能,包括曲线下的面积 (AUC).

主要成果:

• 在研究队列中,严重缺血性并发症 (SIC) 在13.8%的患者中被发现.
• 确定的预测性风险因素包括:常见的阴道,冠状动脉,内心动脉,下关节,脊椎和动脉干扰;胸痛;高脂血症;缺动脉;更高的BMI;血管封闭;不对称的血压;视力障碍;和年龄较大.
• 权重子空间随机森林模型在验证队列中表现出最佳性能,AUC为0.773.

结论:

• 开发的加权子空间随机森林模型显示了预测TA患者SIC的前景.
• 有效的预测模型可以帮助临床医生早期识别高风险个体.
• 基于风险分层的有针对性的干预措施可以改善塔卡亚苏动脉炎患者的治疗结果.