使用机器学习预测成功的慢性全封闭交叉与初级预降电线使用机器学习
Athanasios Rempakos1, Michaella Alexandrou1, Deniz Mutlu1
1Minneapolis Heart Institute and Minneapolis Heart Institute Foundation, Abbott Northwestern Hospital, Minneapolis, Minnesota, USA.
JACC. Cardiovascular interventions
|July 6, 2024
概括
预测成功的慢性全闭交叉与初级前级电线 (AW) 是至关重要的. 一个新的机器学习模型准确地识别了影响成功的因素,帮助干预心脏病学家.
科学领域:
- 心血管干预 心血管干预
- 医学机器学习 医学机器学习
- 干预心脏病学 干预心脏病学
背景情况:
- 仅有有限的数据可用于预测使用初级前级布线 (AW) 进行成功的慢性全封闭 (CTO) 交叉.
- 准确的预测对于优化穿皮冠状动脉干预 (PCI) 策略至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 预测模型,用于预测成功的CTO与初级AW交叉.
- 在CTO干预中确定成功初级AW的关键预测因素.
主要方法:
- 利用了来自 PROGRESS CTO 注册表 (2012-2023) 的 12,136 个初级 AW 病例的数据.
- 开发并比较了五种ML模型,其中极端梯度增强显示出最佳性能.
- 使用SHAP解释器进行特征重要性分析和超参数调整.
主要成果:
- 主要的AW成功率为57.4%.
- 优化的极端梯度增强模型在测试组中实现了0.780的AUC.
- 闭塞的长度,茎的特征和附带资产是重要的预测因素;大动脉-骨位置的影响最小.
结论:
- 一个具有14个特征的高度预测性ML模型被开发用于CTO PCI中成功的初级AW.
- 该模型可以帮助制定复杂的CTO干预的决策.
- 一个基于Web的预测工具在线可用.
