一个机器学习框架用于诊断和预测冠状动脉疾病的严重程度
Aikeliyaer Ainiwaer1, Wen Qing Hou2, Kaisaierjiang Kadier1
1Department of Cardiology, The First Affiliated Hospital of Xinjiang Medical University, 830011 Urumqi, Xinjiang, China.
机器学习模型可以使用基线变量预测冠状动脉疾病 (CAD) 的存在和严重程度. 这种方法有助于对症状患者的风险分层.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 在有症状的患者中评估冠状动脉疾病 (CAD) 严重程度是具有挑战性的.
- 机器学习 (ML) 显示出预测CAD存在和严重性的前景.
研究的目的:
- 开发和评估ML模型来预测CAD的存在和严重程度.
- 为了确定与CAD存在和严重程度相关的关键基线变量.
主要方法:
- 使用了284名回顾性和116名潜在参与者的数据集.
- 开发了用于CAD存在的二分式ML模型和用于CAD严重性的回归模型.
- 使用极端梯度提升 (XGBoost) 和SHAP图片进行分析.
主要成果:
- 在XGBoost模型中,CAD预测的AUC为0.728.
- 对于CAD存在的关键预测因素包括左心室喷射分数,同型半素和血红蛋白.
- XGBoost准确地预测了SYNTAX和GENSINI得分,其中BNP,LVEF和同氨酸是显著的相关物.
结论:
- 数据驱动的ML模型为CAD风险分层和严重性评估提供了基础.
- 这种方法可以改善症状个体的临床决策.
更多相关视频
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease I: Introduction
Coronary Artery Disease II: Pathophysiology
Coronary Artery Disease V: Interprofessional Care
Acute Coronary Syndrome III: Diagnostic Studies
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
