[人工智能为预测急性冠状动脉综合征后心力衰竭而获得的分类树]
Alberto Cordero1, Vicente Bertomeu-Gonzalez2, José V Segura3
1Departamento de Cardiología, Hospital IMED Elche, Elche, Alicante, España; Grupo de Investigación Cardiovascular, Universidad Miguel Hernández, Elche, Alicante, España; Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV), Madrid, España.
人工智能确定了急性冠状动脉综合征 (ACS) 后预测心力衰竭 (HF) 的关键因素. 一个人工智能模型创建了15个风险模式来预测HF住院概率,帮助患者管理.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 预测分析 (Predictive Analytics) 是一种分析方法.
背景情况:
- 冠心病是心力衰竭 (HF) 的主要原因.
- 确定高风险患HF后急性冠状动脉综合征 (ACS) 的患者至关重要.
- 人工智能 (AI) 在预测心血管并发症方面表现有前途.
研究的目的:
- 开发一种工具,用于识别急性冠状动脉综合征 (ACS) 后患心力衰竭 (HF) 风险较高的患者.
- 为了利用人工智能 (AI) 预测ACS患者的HF发展.
主要方法:
- 利用基于递归分区算法的决策树模型.
- 包括7,097名连续从两个西班牙中心 (2006-2017年) 获得ACS后出院的患者.
- 收集了临床数据,并对患者进行了平均53个月的随访.
主要成果:
- 确定了八个预测HF住院的关键变量:HF在指数住院,糖尿病,心房动,淋巴细胞过率,年龄,查尔森指数,血红蛋白和左心室喷射率.
- 由人工智能驱动的决策树模型产生了15种不同的临床风险模式.
- 在队列中观察到13.6%的HF再接收率.
结论:
- 人工智能有效地确定了八个变量来预测ACS后的HF.
- 开发的决策树模型为HF住院概率提供了15个差异化的风险模式.
- 基于该模型的电子应用程序可免费使用.
更多相关视频
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
相关概念视频
Pathophysiology of Heart Failure
Heart Failure Drugs: Inhibitors of Renin-Angiotensin System
Survival Tree
Building a Survival Tree
Constructing a...
Heart Failure Drugs: β-Blockers
