使用基于树的机器学习算法对ST升高心肌梗塞 (STEMI) 患者的综合预测结果

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• ST升高心肌梗塞 (STEMI) 是一种严重的疾病,具有显著的发病率和死亡率.
• 初级穿皮冠状动脉干预 (PPCI) 是标准治疗,但一些患者仍然面临不良后果.
• 早期识别高风险STEMI患者对于及时干预和改善预后至关重要.

研究的目的:

• 研究大动脉压力 (AP) 波形分析用于识别高风险STEMI患者的潜力.
• 开发和评估基于树的分类器,用于预测PPCI治疗的STEMI患者的不良结果.

主要方法:

• 一个回顾性队列研究605个STEMI患者接受PPCI治疗.
• 从在PPCI期间记录的被拒绝的AP信号中提取特征.
• 应用基于树的分类器 (随机森林,AdaBoost,XGBoost,CatBoost) 与递归特征消除 (RFE) 进行特征选择和结果预测.

主要成果:

• 使用RFE的CatBoost分类器实现了预测整体不利结果的曲线下面面积 (AUC) 80%.
• 预测新的心力衰竭诊断和长期使用利尿剂的特定AUC值分别为73%和79%.
• 从AP信号中提取的特征有效地将高风险患者与其他患者区分开来.

结论:

• 利用大动脉压力波形特征的基于树的分类器显示出在识别有不良事件风险的STEMI患者方面具有重大潜力.
• 这种基于人工智能的方法可以帮助临床医生分层风险,并为STEMI患者个性化治疗策略.
• 需要在更大的多中心研究中进一步验证AP波形分析在STEMI管理中的临床实用性.