在急性冠状动脉综合征患者中预测缺血性中风:使用电子医疗记录的机器学习方法
Faishal Hanif1, Mawaddah A Rochmah2, Ismail Setyopranoto2
1Department of Neurology, Faculty of Medicine, Universitas Jenderal Soedirman/Prof. Dr. Margono Soekarjo Hospital, Purwokerto, IDN.
Cureus
|November 25, 2024
概括
机器学习模型可以预测急性冠状动脉综合征 (ACS) 患者的缺血性中风风险. 后勤回归提供了一个平衡的方法来识别高风险个体,改善患者的结果.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 急性冠状动脉综合征 (ACS) 是全球主要的健康负担.
- ACS患者面临着缺血性中风 (IS) 的显著风险,导致死亡率和残疾.
- 在ACS中预测IS风险对于及时干预至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,在ACS诊断后的一年内预测IS.
- 使用来自印度尼西亚第三级护理医院的电子医疗记录 (EMR).
- 加强风险分层,为ACS患者个性化治疗策略.
主要方法:
- 对4789名ACS患者 (2018-2022) 的回顾性队列研究.
- 经过训练和验证的物流回归,随机森林和XGBoost模型.
- 使用精度,准确性,灵敏度,特异性和AUC-ROC评估模型性能.
主要成果:
- 在ACS患者中,4.4%的患者在一年内发展出IS.
- 后勤回归显示出平衡的性能 (65%的灵敏度,70%的特异性,0.70AUC-ROC).
- 关键预测因素包括STEMI,年龄≥60,心房动,高血压和慢性病.
结论:
- 后勤回归为ACS患者的IS风险预测提供了一个可靠的工具.
- 该模型有助于风险分层和个性化治疗计划.
- 未来的研究应该专注于前性验证,并纳入更多的临床变量.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
18:11A Research Method For Detecting Transient Myocardial Ischemia In Patients With Suspected Acute Coronary Syndrome Using Continuous ST-segment Analysis
Published on: December 28, 2012
24.2K
