在患有持续心房的患者中,Uplift建模用于识别需要广泛导管切除手术的患者

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:

• 确定持续性心房动 (AF) 的最佳治疗策略仍然具有挑战性.
• 肺静脉隔离 (PVI) 是一种常见的废除技术,但广泛的废除 (PVI-plus) 可能有利于选择患者.
• 预测个体患者对PVI-plus与PVI-alone的反应对于个性化治疗至关重要.

研究的目的:

• 应用升起建模,一种机器学习技术,以识别持久性AF患者,他们可以从PVI-plus中受益.
• 为了评估升起模型在分层患者进行广泛的导管切除时的有效性.

主要方法:

• 利用了来自EARNEST-PVI试验的数据,这是一项针对持久性AF患者的随机研究.
• 使用各种机器学习算法开发并比较了16个升降模型.
• 选择了具有Qini系数的自适应提升作为表现最好的模型,建立了0.0124.0的最佳提升得分门.

主要成果:

• 抬头得分≥0.0124的患者与PVI-plus相比,PVI-alone (HR 0.40) 相比,PVI-plus的AF复发明显较低.
• 抬头得分<0.0124的患者在PVI加和PVI单独之间没有显著的AF复发差异 (HR 1.17).
• 提升模型成功地确定了一组从PVI-plus中受益的持续性AF患者的子集.

结论:

• 提升模型是识别持久性AF患者的有效工具,这些患者可能从PVI-plus中受益.
• 这种方法可以帮助临床医生分层患者进行广泛的导管切除,优化治疗决策.
• 使用机器学习的个性化治疗选择可以改善持久性AF患者的结果.