基于血管的微血管抵抗和穿皮冠状动脉干预中可用的临床数据预测微血管阻塞:一个可解释的机器学习模型

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 微循环阻力指数 (IMR) 是一个标准度量,但其与血管性微血管阻力 (AMR) 和微血管阻塞 (MVO) 相比的验证需要进一步研究.
• 心脏磁共振 (CMR) 提供了关键数据,但将AMR整合为预测ST段升高心肌梗塞 (STEMI) 患者的MVO需要全面验证.

研究的目的:

• 为了验证AMR和CMR衍生的参数之间的相关性.
• 开发一种可解释的机器学习 (ML) 模型,使用AMR和临床数据来预测初级皮肤冠状动脉干预 (PPCI) 的STEMI患者的MVO.

主要方法:

• 分析了452名接受PPCI和CMR的STEMI患者的队列.
• 机器学习工作流包括Boruta特征选择,七个分类器,十倍交叉验证,AUC比较和SHAP分析.
• 在PPCI后收集了AMR测量,CMR参数和临床数据.

主要成果:

• 一个极端梯度增强 (XGBoost) 模型在MVO预测中实现了0.911 (训练) 和0.846 (验证) 的AUC.
• SHAP分析强调AMR是MVO的关键预测因素.
• 尽管AMR和MVO之间有32.29%的不一致性,但可以构建一个可行的基于ML的预测模型.

结论:

• 机器学习模型可以有效地利用AMR和临床数据预测STEMI患者的MVO.
• 抗菌耐药性是MVO的重要预测因素,在PPCI期间提供了及时干预的潜力.
• 这种方法有助于早期识别MVO,从而能够迅速制定治疗策略.