可解释的机器学习使用心声回声学来改善慢性冠状动脉综合征患者的风险预测

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:

• 欧洲心脏病学会的指导方针建议使用左心室 (LV) 功能等有限的临床参数对慢性冠状动脉综合征 (CCS) 的风险分层.
• 机器学习 (ML) 为复杂的数据集提供了先进的分析能力,包括跨胸腔心声学 (TTE).

研究的目的:

• 用临床和TTE数据评估ML的准确性,以预测CCS患者5年全因死亡率.
• 将ML模型的性能与传统风险分层分数进行比较.

主要方法:

• 在2015-2017年期间,对有TTE评估的CCS患者进行了回顾性数据收集.
• 训练一个极端梯度增强 (XGBoost) 模型来预测5年全因死亡率.
• 用单独地点的数据对ML模型进行外部验证,并与传统风险得分进行比较.

主要成果:

• 与传统分数 (AUC 0.62-0.76) 相比,ML模型实现了0.79的接收器操作特征曲线 (AUC) 下的优越面积.
• 通过ML模型确定的关键TTE预测因素包括LV功能障碍和显著的三回.
• 该模型在预测死亡率方面表现出良好的外部性能.

结论:

• 使用TTE和临床数据的可解释的ML模型准确地识别了高风险的CCS患者.
• 与CCS的传统风险分层工具相比,ML方法提供了更好的预后价值.