机器学习集群分析在ST升高急性心肌梗塞患者中发现了新的现象组

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 机器学习聚类可以对ST升高急性心肌梗塞 (STEMI) 患者进行分层.
• 了解患者子组对于优化风险评估,管理策略和预测STEMI预后至关重要.
• 之前的研究没有完全阐明STEMI群体内使用数据驱动方法的独特现象组.

研究的目的:

• 应用机器学习聚类来识别STEMI中的不同患者子组.
• 为了比较已识别的STEMI集群中的风险概况,临床结果和管理模式.
• 调查这些数据驱动的现象群的预后影响.

主要方法:

• 使用国家住院样本数据库 (2015年10月至2019年12月) 针对成年STEMI出院,不包括先前心肌梗塞病例.
• 使用基于21个临床属性的机器学习集群来定义患者子组.
• 执行多变量后勤回归来比较跨集群的结果和管理,计算调整的几率比率 (aOR) 和95%置信区间 (95% CI).

主要成果:

• 从470,960例中确定了四个不同的STEMI集群:"行为风险" (n=205,640),"最少的并发症" (n=146,400),"末端器官损伤的糖尿病" (n=45,100) 和"心脏代谢" (n=73,820).
• 高血压和糖尿病是聚类中最重要的属性.
• "患有末端器官损伤的糖尿病"集群的死亡率,MACCE和缺血性中风率最高,侵袭性治疗利用率最低 (p < 0.001).
• "行为风险"集群显示出最好的住院预后和最高的侵入性治疗率 (p < 0.001).

结论:

• 机器学习有效地识别STEMI中的不同患者子组,其特点是独特的流行率,风险概况,预后和管理模式.
• 这些数据驱动的现象组突出显示了STEMI患者的结果和治疗利用率的显著差异.
• 对这些高危现象群的进一步研究是有必要的,以完善临床决策和改善患者护理.