机器学习衍生脆弱指数的开发和验证,用于预测经过皮肤冠状动脉干预的患者的结果

科学领域:

• 心脏病学 心脏病学
• 老年学是指老年学的学科.
• 医疗信息学 医疗信息学

背景情况:

• 虚弱是经过皮肤冠状动脉干预 (PCI) 的患者死亡率的重要预测因素.
• 当前的脆弱性评估工具往往资源密集,应用有限.
• 需要有效和验证的方法来识别和分层PCI患者的脆弱性.

研究的目的:

• 开发和验证一种工具,用于识别和分层PCI患者的脆弱性.
• 探索这种脆弱工具对PCI后不良临床结果的预测能力.
• 为了利用机器学习来更好地预测结果.

主要方法:

• 分析了2014-2015年间接受半紧急或选择性PCI的1,732名患者的数据.
• 开发后勤回归和极端梯度增强 (XGBoost) 模型,以确定不利结果的预测因素.
• 使用接收器操作特征曲线 (AUC) 下面面积的模型预测功率的评估.

主要成果:

• 虚弱指数 (FI),年龄和性别是不利结果的关键预测因素,FI是最有影响力的.
• 升高的FI显著增加了PCI后心脏病死亡 (1.94) 和住院死亡 (2.04) 的几率.
• 与物流回归相比,XGBoost模型对心脏病死亡 (AUC 0.83) 和住院死亡 (AUC 0.83) 的预测能力更强.

结论:

• 一个新的机器学习模型有效地预测PCI后的不良临床结果.
• 开发的脆弱性评估工具显示出强大的预测能力和医院系统内自动化潜力.
• 这种方法为PCI患者的脆弱性评估和风险分层提供了更有效的方法.