基于机器学习的在STEMI后医院治疗结果的风险预测:STEMI-ML得分

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:

• 对于ST段升高心肌梗塞 (STEMI) 的传统预后模型在统计方法和实际可用性方面存在局限性.
• 需要在STEMI患者护理中改进风险评估工具.

研究的目的:

• 开发基于机器学习 (ML) 的风险评分,用于预测STEMI患者的住院死亡率,重症监护室 (ICU) 住院和左心室喷射率 (LVEF < 40%) 的降低.
• 创建一个用户友好的工具,用于现实世界的临床应用.

主要方法:

• 训练并验证了八种监督的ML方法,这些方法是基于从1,863名接受初级穿皮冠状动脉干预 (pPCI) 或救援PCI的STEMI患者的数据.
• 采用特征选择来识别信息变量,优化曲线下的面积 (AUC) 和可解释性的模型.
• 开发了一个网络应用程序,以百分比提供风险得分.

主要成果:

• 性能最好的模型,一个带有五个变量的弹性网 (EN),在住院死亡率上达到0.79的AUC,在ICU入院是0.78的AUC,在LVEF<40%上是0.74的AUC.
• 关键预测因素包括年龄,医院前心脏骤停,附加招募,家族病史,初始血压和心率,高胆固醇,罪祸首血管,吸烟状态和PCI前TIMI流量.
• 创建了一个用户友好的Web应用程序来提供风险评分.

结论:

• 开发的STEMI-ML得分在预测STEMI患者住院结果方面表现出有效性.
• 这种基于ML的得分可以显著帮助临床医生进行风险分层和量身定制个体患者管理策略.