机器学习建模用于预测未确定来源患者的栓塞性中风中心房动检测
Chua Ming1, Geraldine J W Lee2, Yao Hao Teo1
1Department of Medicine, Yong Loo Lin School of Medicine, National University of Singapore, Singapore 117597, Singapore.
Journal of personalized medicine
|May 25, 2024
概括
机器学习模型可以使用临床和心声图数据预测未确定源 (ESUS) 患者的栓塞性中风中的心房动 (AF). 这种方法提供了一种具有成本效益的方法来识别需要抗凝药的患者,并减少中风的复发.
科学领域:
- 心脏病学 心脏病学
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 隐性心房动 (AF) 是源不明的栓塞性中风 (ESUS) 中心血管栓塞的一个重要原因.
- 植入式心脏循环记录器 (ILR) 检测到AF,但由于成本和不便,其使用率不足.
- 未检测到的AF增加了ESUS患者复发性缺血性中风的风险.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测ESUS患者的AF.
- 整合临床和心声回声学数据,以提高AF预测.
- 在ESUS中确定用于AF检测的成本效益高的方法.
主要方法:
- 一个单一中心的队列研究157连续ESUS患者与ILR评估.
- 开发和超参数调整四个ML模型 (支持向量机,多层感知器,XGBoost,随机森林).
- 在ILR上使用临床和心声学变量预测AF检测.
主要成果:
- 20.4%的ESUS患者有通过ILR检测到的隐性AF.
- 支持矢量机实现了AF预测的最高AUC (0.736-0.737).
- 关键预测因素包括年龄,HDL-C,心率,顶部心肌A波速度和左心房体积.
结论:
- 结合临床和心声学数据的ML模型可以在ESUS患者中预测AF,准确度中等.
- 这种方法可能有助于识别针对性抗凝药的高风险患者.
- 进一步的研究可以完善ML模型,以改善ESUS中的AF检测.
