在急性冠状动脉综合征患者的皮肤穿透冠状动脉干预后,机器学习预测了一年死亡率

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:

• 机器学习 (ML) 模型为准确的结果预测和发现变量之间的相关性提供了潜力.
• 在急性冠状动脉综合征 (ACS) 患者的皮肤穿透冠状动脉干预 (PCI) 后预测1年死亡率对于临床管理至关重要.

研究的目的:

• 设计和评估ML模型,以预测ACS患者PCI后的一年死亡率.
• 为了比较物流回归 (LR),随机森林 (RF),极端梯度增强 (XGBoost) 和Ada Boost模型的性能.

主要方法:

• 来自德黑兰心脏中心 (2015-2021) 的13,682名患者的队列被使用,火车测试分为70:30.
• 四个ML模型 (LR,RF,XGBoost,Ada Boost) 被开发并使用接收器操作特征曲线下的面积 (AUC-ROC) 进行评估.
• 使用射频特征选择器和SHAP值来评估特征的重要性.

主要成果:

• 在9,073名患者中,随访时间>1年,340名 (3.75%) 死亡. 更高的年龄和并发症与死亡率有关.
• 随机森林获得了最高的歧视 (AUC 0.866). 后勤回归显示了最高的灵敏度 (80.9%),XGBoost显示了最高的特异性 (88.3%).
• 所有模型都表现出强大的预测性能,AUC>0.8.8.

结论:

• 包括传统的物流回归在内的ML模型可以有效地预测ACS患者PCI后的一年死亡率.
• 该研究强调了风险因素对PCI后死亡率的非线性贡献,提供了新的见解.
• 在心脏病学中,ML方法为风险分层和个性化治疗策略提供了强大的工具.