基于机器学习的冠状动脉评分,根据临床变量预测冠状动脉评分,作为入侵性冠状动脉血管学转诊患者的预后指标

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 冠状动脉化 (CAC) 是心血管事件的重要预测因素.
• 目前用于CAC评分的方法通常依赖于计算机断层扫描 (CT) 血管造影,这可能并不总是可用.
• 预测CAC使用随时可用的临床数据对于更广泛的风险评估是理想的.

研究的目的:

• 开发和验证一种新的机器学习 (ML) 模型,以预测严重的冠状动脉化.
• 评估开发的基于ML的CAC (ML-CAC) 评分的预后意义.

主要方法:

• 对接受冠状动脉CT血管造影和侵入性冠状动脉血管造影的患者进行了回顾性研究.
• 训练了多个ML算法,以预测严重的冠状动脉化 (CT-CAC得分≥400).
• 根据性能指标 (AUC,Brier分数) 选择了一个由九个特征组成的支持向量机器模型并进行了验证.

主要成果:

• 选择的ML模型在训练 (AUC=0.715) 和测试集 (AUC=0.753) 中都表现出良好的区分和校准.
• 在测试队列中,ML-CAC得分与主要终点 (全因死亡,心脏病发作,中风) 的风险增加有显著关联.
• ML-CAC的预后值与CT-CAC系统的预后值相当.

结论:

• 从临床变量获得的基于机器学习的冠状动脉 (ML-CAC) 评分可以有效地预测严重的冠状动脉化.
• 该ML-CAC得分作为一种新和显著的预后指标,用于侵袭性冠状动脉血管学患者.
• 在CT-CAC评分不可用时,ML-CAC评估可以成为预后预测的有价值的替代方案.