在没有使用机器学习算法进行高灵敏度类素测试的情况下,急性冠状动脉综合征的临床前识别

科学领域:

• 紧急医疗 紧急医疗
• 心脏病学 心脏病学
• 医疗保健中的人工智能

背景情况:

• 对于急性胸痛患者的临床前评估,紧急冠状动脉再血管化是具有挑战性的,没有高灵敏度的类素测定.
• 准确的风险分层对于及时干预和改善患者结果至关重要.

研究的目的:

• 评估机器学习 (ML) 模型在预测疑似急性冠状动脉综合征 (ACS) 患者的主要不良心脏事件 (MACE) 和急性冠状动脉封闭 (ACAO) 的有效性.
• 为了将ML模型的性能与"TropOut"得分进行比较,TropOut是一个与热素无关的风险评估工具.

主要方法:

• 训练了8个非深度学习的ML模型,使用26个特征从2760名胸痛患者的临床前救援数据.
• 将ML模型的性能与预测MACE和ACAO的"TropOut"得分进行比较.
• 利用夏普利添加式解释 (SHAP) 来识别关键的预测特征.

主要成果:

• 所有的ML模型在预测MACE和ACAO时都超过了"TropOut"得分.
• 对于MACE预测,VC和LR模型在接收器操作特征 (AUROC) 下实现了最高的面积 (AUROC=0.78).
• 风险投资模型显示了ACAO预测的最高AUROC (AUROC=0.81).
• SHAP分析发现,在心电图上ST升高是MACE和ACAO的最重要的预测因子.

结论:

• 机器学习模型为胸痛患者的临床前风险分层提供了一个有前途的,独立于热素的方法.
• 与现有的分数相比,ML模型显著提高了MACE和ACAO的预测.
• 电图发现,特别是ST升高,是基于ML的心脏风险评估中的关键指标.