可解释机器学习方法的比较,以确定预测第一个急性心肌梗塞的门诊临床表型

科学领域:

• 生物医学信息学是生物医学信息学.
• 机器学习在医疗保健中的应用
• 心血管疾病的研究研究.

背景情况:

• 急性心肌梗塞 (AMI) 对患者和医疗保健系统构成重大威胁.
• 大多数AMI是发生在医院外的初始事件,通常没有先前的心脏疾病.
• AMI的潜在病理生理学尚未完全理解,对早期风险识别的可解释AI的使用有限.

研究的目的:

• 开发和评估可解释的机器学习模型,用于预测首次急性心肌梗塞.
• 从纵向电子健康记录数据中识别预测性临床表型.
• 为了比较时间计算表型化与其他特征提取方法的有效性.

主要方法:

• 从2641个AMI病例和5287个匹配的对照中提取了门诊电子健康记录数据.
• 对比了六种可解释的特征提取方法,包括时间计算表型.
• 训练了七个可解释的机器学习模型,以预测在六个月内发生AMI.

主要成果:

• 时间计算表型显著提高了模型性能,而不是其他方法.
• 在接收器操作特征曲线下的平均交叉验证面积达到0.674.
• 确定了背部疼痛,心脏代谢综合征,心血管疾病家族史和高血压作为关键预测因素.

结论:

• 医疗记录的计算表型化提高了分类器的性能,并确定了预测性临床概念.
• 可解释的机器学习模型可以增强AMI风险评估.
• 优先考虑关键风险因素进行进一步的调查和验证.