合并机器学习和患者偏好:一种用于预测穿皮冠状动脉干预风险的新工具

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 预测皮肤冠状动脉干预 (PCI) 后不良事件的个性化风险对于治疗决策和共享决策至关重要.
• 准确预测PCI后并发症有助于风险减轻策略.

研究的目的:

• 开发和验证使用程序前变量来预测PCI后常见并发症的机器学习模型.
• 通过外部验证,在一个大型的多中心队列中评估这些模型的准确性.

主要方法:

• 来自密歇根州BMC2注册的107,793名接受PCI患者的机器学习队列被用于培训和验证.
• 外部验证是在一个独立的数据库上进行的,该数据库包含来自华盛顿州的56,583项手术.
• 通过对66名成年人的调查,评估了患者对结果报告的偏好.

主要成果:

• 这些模型显示出对住院死亡率 (AUC:0.930),急性损伤 (AUC:0.893),透析 (AUC:0.951),中风 (AUC:0.751),输血 (AUC:0.917) 和大出血 (AUC:0.887) 的可靠预测.
• 观察到高度的歧视和校准,在外部验证队列中表现相似.
• 患者调查表明,他们更喜欢全面的,个别报告的术后结果.

结论:

• 使用PCI前风险因素的机器学习模型可以准确预测PCI后的结果.
• 结合患者反的BMC2模型提供了一个以患者为中心的风险沟通工具.
• 改善PCI前风险预测可以显著告知治疗选择和共享决策过程.