在心房动中使用机器学习预测多方面的风险:来自GLORIA-AF研究的见解

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) 患者面临缺血性中风和死亡的风险增加.
• 抗凝剂可以降低这些风险,但会增加出血并发症.
• 现有的临床风险评分的预测准确性有限,特别是在死亡率方面.

研究的目的:

• 评估一个多标签梯度增强决策树 (ML-GBDT) 模型,用于预测AF患者的不良结果.
• 将ML-GBDT模型的性能与已建立的临床风险得分进行比较.

主要方法:

• 利用了来自全球注册表的数据,用于在患有心房的患者 (2011-2020) 中长期口服抗血栓治疗.
• 训练并验证了ML-GBDT模型,以预测所有原因的死亡,缺血性中风和大出血在一年内.
• 使用曲线下的面积 (AUC) 和净重新分类指数 (NRI) 与查尔森并发症指数,CHA2DS2-VASc和HAS-BLED分数进行模型歧视比较.

主要成果:

• 与临床评分相比,ML-GBDT模型显示死亡 (AUC 0.785对0.747),缺血性中风 (AUC 0.691对0.613) 和严重出血 (AUC 0.698对0.607) 的预测优于临床评分.
• 在所有结局中观察到NRI的显著改善 (10.0%的死亡,12.5%的中风,23.6%的出血).
• 包括25,656名患者,平均年龄为70.3岁;1年事件率为3.5%的死亡,0.8%的中风和1.6%的出血.

结论:

• 在预测AF患者的不良结果方面,ML-GBDT模型显著优于传统的临床风险评分.
• 这种先进的模型可以作为优化患者风险评估的全面工具.
• 实施ML-GBDT模型可以帮助减轻不良事件,并改善心房的管理策略.