机器学习预测ST段升高心肌梗塞患者中没有再流的预测,这些患者正在接受初级穿皮冠状动脉干预

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:

• 无回流现象是ST段升高心肌梗塞 (STEMI) 患者的关键并发症,这些患者接受了初级穿皮冠状动脉干预 (pPCI) 治疗.
• 预测无反流对于改善患者的治疗结果和指导治疗策略至关重要.
• 这项研究的重点是开发STEMI患者无流血预测模型.

研究的目的:

• 创建一个最佳的机器学习 (ML) 模型,用于预测在接受pPCI的STEMI患者中无回流 (NRF) 现象.
• 为指导手术前和手术期间的决策,以减少NRF发病率.
• 开发一种用于临床实施的实用工具.

主要方法:

• 对接受pPCI的321名STEMI患者进行了回顾性分析.
• 数据包括人口统计学,实验室,心电图,并发症,临床状态,血管学和干预参数.
• 开发和验证了多重物流回归 (LR) 和机器学习模型 (随机森林,XGBoost).

主要成果:

• 后勤回归 (LR) 模型,特别是LR-XGBoost变体,显示出强大的预测性能 (AUC 0.829).
• LR模型显示了最高的临床净益,在初始气球扩张 (TFAID) 后心肌梗塞流中的血栓溶解被确定为最有影响力的预测因素.
• 为LR模型的临床实施,开发了一个基于Web的应用程序.

结论:

• 一种后勤回归模型有效地预测了接受pPCI的STEMI患者的no-reflow现象.
• 开发的基于Web的应用程序促进了这种预测模型的临床使用.
• 准确的NRF预测可以导致改善患者管理和降低并发症率.