集成机器学习用于预测ST升高心肌梗塞 (STEMI) 的亚洲妇女的住院死亡率

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:

• 准确预测亚洲妇女在ST升高心肌梗塞 (STEMI) 后的住院死亡率至关重要.
• 现有的风险预测模型通常由于缺乏量身定制的属性,对这一特定的人口群体表现不佳.
• 这就需要开发专门的模型来改善患者的治疗结果.

研究的目的:

• 为了提高在经历STEMI的多民族亚洲妇女在医院死亡率的预测.
• 开发和评估特定于人口群体的机器学习 (ML) 模型.
• 将ML模型的性能与传统风险得分进行比较.

主要方法:

• 利用了马来西亚国家心血管疾病数据库 (2006-2016) 的数据.
• 开发了基础和整体ML模型,包括支持矢量机 (SVM) 线性.
• 采用代特征选择 (特征重要性,顺序倒退消除) 来识别关键预测因素,如静缩血压,基利普类和禁食血糖.

主要成果:

• 选择的特征ML模型表现出优异的性能 (AUC0.60-0.93) 与肌肉梗塞中血栓溶解 (TIMI) 风险评分 (AUC0.81) 相比.
• 具有选定的特征的SVM线性模型实现了0.93.9的最高AUC.
• 针对女性的ML模型 (AUC 0.92) 的表现优于非性别特异性的STEMI模型 (AUC 0.92).

结论:

• 针对女性的ML模型对STEMI患者的传统风险分层方法具有显著的优势.
• 这些发现强调了为特定患者人口统计学制定量身定制模型的重要性.
• 对这些ML模型的持续验证和测试对于推进对STEMI妇女的临床护理至关重要.