声心图机器学习模型的实用性,用于预测密集心脏病监护病房患者的结果
Samy Aghezzaf1, Augustin Coisne2, Kenza Hamzi3
1Lille University, Inserm U1011- EGID, Lille, France; Department of Clinical Physiology and Echocardiography, Heart Valve Clinic, Lille University Hospital, Lille, France.
概括
机器学习 (ML) 模型使用初始胸前心电回声学 (TTE) 准确预测密集心脏病监护室 (ICCU) 患者的主要不良事件 (MAE). 这种ML模型优于现有的得分和临床数据,改善了风险分层.
科学领域:
- 心脏病学 心脏病学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 密集心脏病治疗单位 (ICCU) 的风险分层是关键的,但具有挑战性.
- 准确预测医院内主要不良事件 (MAE) 对于患者管理至关重要.
研究的目的:
- 评估一种机器学习 (ML) 模型,利用初始胸前心电回声学 (TTE) 来预测医院内MAE.
- 将ML模型的预测准确性与现有的临床分数进行比较.
主要方法:
- 一项前性多中心研究包括1499名ICCU患者,在入院后24小时内患有TTE.
- 使用自动化特征选择 (随机生存森林) 和XGBoost算法开发了一个ML模型.
- 关键的TTE参数包括LV流出道的速度-时间积分,E/e'比,SPAP,TAPSE和LVEF.
主要成果:
- ML模型实现了0.83的AUC,显著超过了后勤回归 (0.76) 和建立得分 (ACUTE-HF,TIMI,GRACE).
- 通过ML模型,比传统的临床和生物数据 (C指数0.80与0.73) 显示出增量预后价值.
- MAE发生在4.5%的患者中,该模型识别了关键的心声学预测因素.
结论:
- 基于初始TTE的ML模型为预测ICCU患者的住院MAE提供了卓越的预后价值.
- 这种TTE衍生的ML模型提供了一个比现有方法更准确的风险分层工具.
