帕克斯:一种机器学习风险预测模型,用于分娩期间的急性产周心血管并发症
Salman Zahid1, Shikha Jha2, Gurleen Kaur3
1Division of Cardiovascular Medicine, Knight Cardiovascular Institute, Oregon Health and Science University, Portland, Oregon, USA.
JACC. Advances
|August 13, 2024
概括
一个新的得分,PARCCS (预测产前期心血管并发症急性风险得分),识别了在分娩期间心血管并发症高风险的孕妇. 这种工具有助于早期风险评估,以改善母亲的结果.
科学领域:
- 产科和妇科 产科和妇科
- 心脏病学 心脏病学
- 公共卫生 公共卫生
背景情况:
- 美国的孕产妇死亡率很高,心血管并发症是主要的驱动因素.
- 在分娩期间识别心血管事件的风险妊娠对于改善母亲健康结果至关重要.
研究的目的:
- 在产前期期分数 (PARCCS) 中开发心血管并发症急性风险预测.
- 创建基于机器学习的风险预测模型,用于分娩期间急性心血管并发症.
主要方法:
- 利用国家住院患者样本 (2016-2020年) 的数据进行分娩入院.
- 定义急性心血管/并发症作为一个复合的结局.
- 使用机器学习和14个预测变量开发了PARCCS模型.
主要成果:
- 分析了2,371,661次分娩;7.0%的人经历了急性心血管并发症.
- 确定了关键的风险因素,包括先前存在的心力衰竭,先前的中风,肥胖和黑人种族.
- 帕克斯模型表明,用于预测并发症,接收器操作特征曲线下的面积为0.68.
结论:
- 帕尔克斯分数显示出潜在的价值工具,用于识别患有周产期心血管并发症风险的孕妇.
- 建议进行进一步的验证研究,以确认其在改善患者治疗结果方面的有用性.
