可解释的机器学习用于在皮肤冠状动脉干预后ST升高心肌梗塞患者的住院死亡风险预测
Karina Iosephovna Shakhgeldyan1, Nikita Sergeevich Kuksin2, Igor Gennadievich Domzhalov3
1Far Eastern Federal University, School of Medicine and Life Science, 10 Ajax Bay, Russky Island, 690922, Vladivostok, Russia; Vladivostok State University, Institute of Information Technology, Gogolya St. 41, 690014, Vladivostok, Russia.
这项研究开发了一种可解释的机器学习模型,用于预测穿皮冠状动脉干预 (PCI) 后ST升高心肌梗塞 (STEMI) 患者的住院死亡风险. 该模型实现了高精度,有助于更好地评估患者的风险.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 冠心病 (CHD),特别是ST升高心肌梗塞 (STEMI),仍然是全球死亡的主要原因.
- 尽管取得了进展,但在经皮肤冠状动脉干预 (PCI) 后预测STEMI患者的住院死亡率 (IHM) 需要改进的工具.
研究的目的:
- 开发和验证一种可解释的机器学习模型,用于在接受PCI的STEMI患者中预测IHM.
- 在这个患者队列中确定IHM的关键预测因子和风险因素.
主要方法:
- 在PCI后对4677名STEMI患者的电子病历进行了回顾性分析.
- 使用后勤回归,随机森林和随机梯度增强的预后模型的开发和验证.
- 应用夏普利添加式解释 (SHAP) 模型解释性和风险因素识别.
主要成果:
- 预后模型显示出高预测准确度,在不同治疗阶段的AUC值为0.85和0.9.
- 包含经过验证的风险因素的模型实现了0.87的AUC,基于SHAP的模型表现最好.
- 确定了关键预测因素,并将其转化为IHM可操作的风险因素.
结论:
- 可解释的机器学习模型,特别是使用SHAP的机器学习模型,可以准确地预测PCI后STEMI患者的IHM.
- 使用SHAP将连续变量分类为风险因素可以提高IHM预测的可解释性.
- 开发的模型为临床决策和STEMI管理中的风险分层提供了有价值的工具.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018