机器学习模型使用症状和临床变量来预测冠状动脉疾病的冠状动脉血管学

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 冠状动脉造影 (CAG) 是侵入性的和昂贵的,许多接受该程序的患者没有显著的冠状动脉疾病 (CAD).
• 在使用CAG之前,需要使用非侵入性方法来准确预测CAD的可能性.

研究的目的:

• 开发和评估机器学习算法,以使用例行收集的临床变量预测严重的CAD.
• 评估这些算法的性能,以识别可能不需要CAG的患者.

主要方法:

• 进行了一项涉及2602名疑似患有CAD的患者的横截面研究,其中包括2082名患者的培训组和520名患者的测试组.
• LASSO回归被用于特征选择,后勤回归,支持矢量机和XGBoost算法被用于预测严重的CAD.
• 分析了性能指标,包括接收器运行特征曲线下的面积 (AUC),正预测值 (PPV) 和负预测值 (NPV).

主要成果:

• 后勤回归模型在训练组中实现了0.77的AUC,在测试组中达到0.75.
• 设置概率值低于0.1的测试组中选了11名患者,具有90.9%的负预测值 (NPV).
• 0.9的门给出了97.4%的积极预测值 (PPV),表明对积极预测的信心很高.

结论:

• 使用来自医院信息系统的数据的机器学习算法可以有效地帮助排除和确认严重的CAD.
• 这些预测模型有潜力显著减少不必要的侵入性冠状动脉血管造影的数量,从而改善患者的治疗结果和降低医疗保健成本.