分析急性ST段升高心肌梗塞患者住院死亡率的预测因素,使用进化的机器学习方法

科学领域:

• 心脏病学 心脏病学
• 计算智能是一种计算智能.
• 机器学习 机器学习

背景情况:

• 急性ST段升高心肌梗塞 (STEMI) 是一种由冠状动脉完全堵塞引起的严重疾病.
• 早期和准确的STEMI预测对于及时干预和改善患者结果至关重要.

研究的目的:

• 利用进化计算和机器学习开发和验证STEMI的新型预测框架.
• 通过优化特征选择和分类来增强STEMI的预测.

主要方法:

• 开发了一个混合AGCOSCA-SVM模型,将AGCOSCA算法与支持矢量机器 (SVM) 集成.
• AGCOSCA算法是Sine Cosine算法的变体,通过交叉和观察蜜蜂策略进行了增强.
• 该框架在3205名STEMI患者的数据集上进行了训练和测试,AGCOSCA对SVM进行了精炼特征选择.

主要成果:

• AGCOSCA-SVM模型实现了高诊断性能,其准确性 (97.83%),灵敏性 (93.75%) 和特异性 (96.67%).
• 确定的主要预测因素包括急性损伤 (AKI) 阶段,纤维素原,平均血小板体积 (MPV),FT3,利尿剂和基利普类.
• 在预测STEMI方面,AGCOSCA-SVM的表现优于传统的机器学习方法.

结论:

• AGCOSCA-SVM框架显示出作为STEMI诊断的临床决策支持工具的巨大潜力.
• 该模型处理复杂,非线性数据关系的能力使其适用于较小的患者数据集.
• 这种方法为改善STEMI的早期检测和管理提供了一个有希望的途径.