开发和验证基于机器学习的回收风险预测模型,用于经皮冠状动脉干预后非ST升高心肌梗塞患者

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 急性非ST升高心肌梗塞 (NSTEMI) 在皮肤冠状动脉干预 (PCI) 后对患者的再入院构成重大风险.
• 预测再入院对于优化患者护理和减少医疗负担至关重要.
• 现有的预测模型可能无法完全捕捉影响PCI后NSTEMI再录取因素的复杂相互作用.

研究的目的:

• 开发和评估多个机器学习 (ML) 模型,用于预测PCI后NSTEMI患者的一年再入院的预测.
• 通过各种统计和ML技术,识别重新接收的独立预测因素.
• 建立一个临床有效的名录仪,用于识别高风险的NSTEMI患者,需要更密切的监测.

主要方法:

• 分析了一组1576名接受PCI的NSTEMI患者.
• 单变量,多变量逻辑回归,LASSO回归和随机森林被用于变量选择.
• 包括后勤回归 (LR) 在内的六个ML模型被构建并使用AUC,精度,灵敏度和特异性进行评估.
• 基于最佳预测模型开发了一个名ogram.

主要成果:

• 七个常见变量被确定为独立预测因素:入院模式,沟通能力,C反应蛋白 (CRP),总胆固醇 (TC),高密度脂蛋白 (HDL) 和低密度脂蛋白 (LDL).
• 后勤回归 (LR) 模型表现出卓越的性能,具有最高的AUC,精度,灵敏度和特异性.
• 开发的诺姆图有效地识别了高风险的患者群体,具有高度的准确性和差异化.

结论:

• 基于LR的预测模型是预测PCI后NSTEMI患者再入院的最佳方法.
• 临床因素,如入院模式,沟通能力和脂质概况是重入院的重要预测因素.
• 诺米图为临床医生提供了一种有价值的工具,用于分层NSTEMI患者的风险,并指导出院后的管理.