机器学习模型用于预测心肌梗塞危急患者的30天死亡率:从MIMIC-IV数据库的回顾性分析
Xuping Lin1, Xi Pan2, Yanfang Yang3
1Department of Spinal Surgery, Longyan First Affiliated Hospital of Fujian Medical University, Longyan, China.
Frontiers in cardiovascular medicine
|October 7, 2024
概括
机器学习模型有效地预测了严重心肌梗塞 (MI) 患者的30天死亡率. 关键预测因素包括年龄,生命体征和药物使用,有助于临床决策.
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:
- 在冠状动脉护理单位 (CCU) 关键心肌梗塞 (MI) 患者中预测短期死亡率具有挑战性.
- 机器学习 (ML) 提供了改善这些患者风险预测的潜力.
- 在关键性心脏病发作中,为30天死亡率开发量身定制的预测模型至关重要.
研究的目的:
- 调查ML在预测临界MI患者30天死亡率方面的有效性.
- 使用ML技术开发和验证30天死亡率的预测模型.
- 确定该患者队列中短期死亡的关键独立风险因素.
主要方法:
- 使用密集护理-IV数据库的医疗信息商城来获取患者数据.
- 使用极端梯度提升 (XGBoost) 和随机决策森林 (RDF) 来识别风险因素.
- 使用多变量逻辑回归构建预测模型,并使用ROC曲线,校准图和决策曲线分析 (DCA) 进行验证.
主要成果:
- 总共分析了1984名心脏病发作患者 (平均年龄69.4岁,33.2%为女性).
- 开发的诺米图实现了0.835的AUC,超过了30天死亡率预测的SOFA得分 (AUC:0.735).
- 与SOFA得分相比,基于ML的名录显示出更高的区分能力和临床实用性.
结论:
- 基于ML的模型在预测心脏病发作的CCU患者30天死亡率方面是有效的.
- 确定的预后因素包括年龄,血液尿素,心率,氧和度,碳酸和甲醇使用.
- 开发的模型是临床决策的宝贵工具,用于管理关键性心脏病发作患者.
