在急性冠状动脉综合征和中风风险评估中为患有下尿路症状的患者实施机器学习模型

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 泌尿器科 泌尿器科 泌尿器科 泌尿器科

背景情况:

• 全球人口正在老龄化,导致下尿道症状 (LUTS) 的负担增加.
• 以前的研究表明,LUTS与心血管疾病之间存在潜在联系.
• 在LUTS患者中对急性冠状动脉综合征 (ACS) 和中风进行个性化风险评估是具有挑战性的.

研究的目的:

• 开发一种基于人工智能 (AI) 的预测模型,用于识别患有 LUTS 风险较高的 ACS 和中风的患者.
• 为了使精确和个性化的风险评估为LUTS患者.
• 促进早期干预和改善医疗保健结果.

主要方法:

• 在2001年至2018年期间,对1799名LUTS患者进行了回顾性审查.
• 利用了机器学习算法,其特征与结果 (ACS和中风) 有很高的相关性.
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.

主要成果:

• ACS和中风的关键预测因素包括年龄,血压,肌,糖化血红蛋白,高血压,糖尿病和高脂血症.
• 一个最佳的多层感知模型在3年内实现了0.803的AUC,用于预测ACS和中风事件.
• 开发的AI模型在风险预测方面表现强.

结论:

• 一个基于人工智能的预测系统成功地为LUTS患者开发.
• 该系统提供节省时间,精确和个性化的风险评估.
• 人工智能模型可以提高患者的坚持,使早期干预成为可能,并改善健康结果.