开发和验证一个可解释的深度学习模型来预测急性心肌梗塞患者的住院死亡率:算法开发和验证研究.

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 急性心肌梗塞 (AMI) 具有高临床死亡风险.
• 目前用于预测AMI死亡率的深度学习模型缺乏可解释性.

研究的目的:

• 建立一个可解释的深度学习模型,用于 AMI 患者个性化的住院死亡率预测.
• 评估导致死亡率的关键风险因素.

主要方法:

• 使用AMI患者数据的回顾性多中心研究 (2016年7月至2022年12月).
• 数据分为培训,内部测试和外部验证集.
• 将深度学习模型与线性和基于树的模型进行比较,使用Shapley添加式解释来解释可解释性.

主要成果:

• 一个自我注意和样本间注意力转换器模型实现了最高的预测性能 (AUC0.86内部,0.85外部).
• 增加死亡率的关键预测因素包括老年,高心率和低体温.
• 模型在内部和外部验证队列中表现出强的表现.

结论:

• 一个可解释的深度学习模型可以有效地预测AMI患者的死亡率.
• 确定了年龄较大,生命体征不稳定和代谢障碍是死亡的重要风险因素.