在急性冠状动脉综合征中的静脉静脉缩 - - 一种经典的机器学习方法和机器学习方法

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 静脉静脉复缩 (ISR) 是急性冠状动脉综合征 (ACS) 的皮肤通冠状动脉干预 (PCI) 后的一种并发症.
• 鉴定ISR的独立预测因子仍然具有挑战性,尽管有先前的研究.
• 机器学习 (ML) 提供了一种新的方法来预测ISR风险.

研究的目的:

• 评估ISR和ACS风险因素之间的关系.
• 开发和验证一个基于机器学习的名ogram,用于预测PCI后的ISR概率.
• 使用ML技术识别ISR的独立预测因素.

主要方法:

• 分析了一组340名ACS患者的队列,这些患者成功进行PCI和血管造影随访.
• 探索了四种ML技术:随机森林 (RF),支持矢量机器 (SVM),物流线性回归 (LLR) 和深度神经网络 (DNN).
• 作为输入变量,使用了21个人口,临床和周边程序特征.

主要成果:

• 总体ISR发生率为17.68% (87/340名患者).
• 随机森林模型展示了最高的预测性能,ROC曲线下的面积为0.726.
• 具有统计意义的ISR预测因素包括受影响动脉的数量 (≥2),支架生成和支架直径.

结论:

• 机器学习模型可以有效地区分PCI后患者的未来ISR风险.
• 开发的ML方法有助于更好地对ISR进行风险分层.
• 诸如受影响动脉的数量,支架生成和直径等预测因素对于ISR预测至关重要.