使用机器学习方法预测急性冠状动脉综合征的急诊室呈现情况
Vincent C Kurucz1, Jimmy Schenk2,3,4, Denise P Veelo2
1Department of Anesthesiology, Amsterdam UMC, location Academic Medical Centre, University of Amsterdam, Meibergdreef 9, PO Box 22660, Amsterdam, 1105 AZ, The Netherlands. V.C.Kurucz@Amsterdamumc.nl.
急性冠状动脉综合征 (ACS) 发病率呈现季节性和每日变化,夏季病例较少,周一高峰. 机器学习模型为ACS提供了适度的预测能力,有助于紧急部门的资源配置.
科学领域:
- 心脏病学 心脏病学
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
背景情况:
- 急性冠状动脉综合征 (ACS) 发病率研究对天气影响产生了不一致的发现.
- 机器学习为分析气象因素和ACS演示提供了新的方法.
研究的目的:
- 调查气象因素与紧急部门 (ED) ACS演示之间的关系.
- 为了识别ACS发病率的季节性变化和日间波动.
- 开发预测模型,以优化患者护理和EDS的资源配置.
主要方法:
- 在荷兰EDS (2010-2017) 中,对214,953个ACS演示的回顾性队列分析.
- 使用热图和时间序列图表进行时间模式分析.
- 多变量线性回归 (MLR) 和随机森林 (RF) 模型用于日常ACS预测 (1-30天的时间范围).
主要成果:
- 随着时间的推移,观察到每日ACS入院率的下降,具有显著的日间 (中位差:41) 和季节性 (中位差:9) 变化.
- MLR和RF模型显示了类似的预测能力;MLR略高于RF.
- 对ACS发病率的中等解释力 (调整R2=0.66),对不稳定的心痛 (UA) 的最佳表现 (调整R2=0.80).
结论:
- ACS表现显示出明显的季节性变化和日间差异,夏季发病率较低,周一高峰.
- 预测模型表现中等,但为UA提供了良好的解释能力.
- 开发的模型可以作为ED资源分配和未来ACS预测建模的补充工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
相关概念视频
Acute Coronary Syndrome III: Diagnostic studies
Acute Coronary SyndromeI: Introduction
Acute Coronary Syndrome II: Pathophysiology and clinical manifestations
Introduction Cardiac Emergencies
Acute Coronary Syndrome IV: Interprofessional Care
Acute Coronary Syndrome V: Nursing Management
