基于Boruta算法和深度学习的Stent静脉缩后PCI预测模型:血液胆固醇和淋巴细胞比率的作用

科学领域:

• 心脏病学 心脏病学
• 生物标志物 生物标志物
• 人工智能的人工智能

背景情况:

• 穿皮冠状动脉干预 (PCI) 是急性心肌梗塞 (AMI) 的首要治疗方法.
• 静脉静脉复缩 (ISR) 是PCI后的一个显著限制.
• 胆固醇与淋巴细胞比率 (CLR) 是一种与炎症和脂质失调相关的新生物标志物,有可能预测ISR.

研究的目的:

• 调查CLR对ISR的预测价值.
• 开发和评估使用CLR进行ISR预测的深度学习模型.

主要方法:

• 从1967名患者的临床和实验室数据的回顾性分析.
• 使用Boruta算法进行特征选择.
• 开发了一个多层感知器 (MLP) 深度学习模型用于ISR预测.

主要成果:

• 患有ISR的患者的CLR和LDL水平显著更高.
• 在验证组中,MLP模型实现了0.95的AUC.
• 确定的主要预测因素包括初始支架植入物,血红蛋白,根西尼得分,CLR和白细胞计数.

结论:

• 作为预测冠状动脉ISR的生物标志物,CLR显示出显著的潜力.
• 基于深度学习的MLP模型显示了强大的ISR预测能力.
• 研究结果为PCI管理中的临床决策提供了新的见解和策略.