开发和验证一个机器学习模型,以预测心肌动脉血流和从患者心电图的临床结果
Fares Alahdab1, Maliazurina Binti Saad2, Ahmed Ibrahim Ahmed3
1Houston Methodist DeBakey Heart & Vascular Center, Houston, TX, USA; Departments of Biomedical Informatics, Biostatistics, Epidemiology, and Cardiology, University of Missouri, Columbia, MO.
Cell reports. Medicine
|September 26, 2024
概括
一个新的机器学习模型使用心电图 (ECG) 预测心肌动脉血流储备 (MFR),改善了冠状动脉疾病患者的主要不良心血管事件 (MACE) 的预测.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 评估心肌动脉血流储备 (MFR) 对于诊断和管理冠状动脉疾病 (CAD) 至关重要.
- 目前的方法,如正子发射断层扫描 (PET) 和单光子发射计算机断层扫描 (SPECT) 是侵入性的和昂贵的.
- 需要使用非侵入性,易于使用的方法来预测MFR和心血管风险.
研究的目的:
- 开发和验证使用心电图 (ECG) 预测MFR的机器学习 (ML) 模型.
- 评估ECG衍生的MFR对主要不良心血管事件 (MACE) 的预后价值.
- 将ML模型的MACE预测性能与传统临床模型进行比较.
主要方法:
- 使用群集智能和支持向量回归 (SVR) 开发了一种机器学习模型.
- 该模型在3639个ECG-PET和17649个ECG-SPECT数据对的大数据集上进行了训练.
- 模型性能使用接收机-运营商曲线 (ROC) 分析,灵敏度,特异性,C统计和净重新分类改进 (NRI) 来评估.
主要成果:
- ML模型实现了曲线下的面积 (AUC) 为0.83,灵敏度和特异性为0.75.
- 低于2的ECG-MFR值与MACE显著相关 (3.85和3.70的HRs).
- 该模型在与基线临床模型 (C-统计学0.76,NRI 0.35) 相比,在独立队列中显示出优异的MACE预测.
结论:
- 对心电图数据应用的机器学习可以准确预测MFR.
- 电脑心电图衍生的MFR是患有CAD的患者中MACE的有价值的预后标记.
- 这种基于ML的方法为心血管风险分层提供了一个非侵入性和可访问的工具.
