通过人工智能使用血动力学痕迹分析预测ST升高心肌梗塞患者的1年死亡率
Seyed Reza Razavi1, Tyler Szun2, Alexander C Zaremba2
1Biomedical Engineering Program, University of Manitoba, Winnipeg, MB R3T 5V6, Canada.
Medicina (Kaunas, Lithuania)
|April 27, 2024
概括
分析动脉压波的机器学习模型可以识别ST升高心肌梗塞 (STEMI) 患者在一次性皮肤穿透冠状动脉干预 (PPCI) 后面临1年死亡高风险. 这有助于及时进行干预,以获得更好的患者结果.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 通过皮肤冠状动脉初级干预 (PPCI) 治疗心肌梗塞 (STEMI) 患者仍然面临显著的发病率和死亡率风险.
- 早期识别高风险的STEMI患者对于有针对性的监测和干预来改善临床结果至关重要.
研究的目的:
- 开发和评估用于预测PPCI接受STEMI患者1年死亡率的机器学习模型.
- 评估动脉压 (AP) 波特征对STEMI风险分层的有用性.
主要方法:
- 对605名接受PPCI治疗的STEMI患者的动脉压 (AP) 波数据的分析.
- 特性提取,选择 (使用LDA和PCA),以及机器学习算法的应用 (LDA,KNN,SVM).
- 使用曲线下面面积 (AUC),精度,特异性和灵敏度的模型性能评估,有或没有人口/临床数据.
主要成果:
- 使用AP波特征的初始模型实现了0.73-0.77的AUC,精度/特异性/灵敏度在68%-73%之间.
- 结合人口统计,风险因素和导管数据,提高了准确性和特异性,超过76%,大多数模型的AUC超过0.80.
- 机器学习模型有效地识别了高风险的STEMI患者.
结论:
- 通过机器学习应用于动脉压痕迹的血液动力学分析是识别高风险STEMI患者的有希望的方法.
- 这些预测模型可以指导临床决策,以改善PPCI后的患者管理和结果.
- 临床和人口统计数据的整合进一步提高了这些模型的预测能力.
