射频除程序数据是否提高了识别心房的复发的准确性?

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:

• 心房动 (AF) 通常通过使用CARTO 3D绘图系统的肺静脉隔离来治疗.
• 将CARTO程序数据与电子健康记录 (EHR) 联系起来,可以确定AF复发的预测因素.

研究的目的:

• 通过使用机器学习,评估CARTO程序数据在预测1年AF复发中的附加值.
• 为了比较具有和没有程序数据的模型的预测准确性.

主要方法:

• 用自动机器学习 (AutoML) 来进行预测.
• 模型仅使用人口统计/临床数据开发,然后添加CARTO程序数据.
• 模型性能使用接收器运行特征曲线下的面积 (AUROC) 和净重新分类改进 (NRI) 来评估.

主要成果:

• 将CARTO程序数据添加到AutoML模型中,使AUROC从0.66增加到0.78.
• 结合程序数据的模型显示,AF复发患者的NRI为32%.
• 关键预测因素包括较低的接触力,较长的剥离时间和特定部位的病变数量;持续的AF也是一个危险因素.

结论:

• 结合CARTO程序数据的机器学习模型显著提高了1年AF复发后消去的预测.
• 程序参数对于识别患有AF复发风险较高的患者至关重要.
• 这种方法可以帮助个性化风险分层的AF患者接受切除.