基于机器学习的高风险模式的识别在心房移除结果中的心房动
Mustapha Oloko-Oba1, Yijun Liu2,3, Kathryn Wood1
1Nell Hodgson Woodruff School of Nursing, Emory University, Atlanta, GA 30322.
medRxiv : the preprint server for health sciences
|December 9, 2024
概括
机器学习识别了患者子组和诊断代码,影响了心房动 (AF) 除成功. 这促进了个性化风险评估,以改善治疗结果.
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:
- 心房动 (AF) 是一种常见的心律失常症,其全球影响越来越大.
- 目前的AF切除成功率各不相同,需要改进预测方法.
- 现有的预测器缺乏细粒度以捕捉患者异质性.
研究的目的:
- 根据AF切除结果确定患者子组.
- 为了发现与AF切除失败相关的诊断代码.
- 利用数据驱动的方法来提高程序成功预测.
主要方法:
- 应用机器学习集群与EHR数据的必须链接/不能链接约束.
- 利用统计分析,包括千平方测试,以确定重要的诊断代码.
- 发现了影响程序成功或失败的特定患者因素.
主要成果:
- 在检查的145个中,确定了13个重要的诊断代码.
- 根据对程序结果的影响,将代码分为四个风险组.
- 突出了心血管,全身,抗凝血和一般健康因素的影响.
结论:
- 强调了心血管和非心血管因素在AF切除结果中的重要性.
- 建议进行全面的程序前评估,以进行个性化风险评估.
- 证明了机器学习在推进AF切除个性化护理方面的实用性.


