使用可解释机器学习模型预测急性心肌梗塞后心力衰竭的风险
Qingqing Lin1,2, Wenxiang Zhao2,3, Hailin Zhang2,3
1Department of Ultrasound, The First Affiliated Hospital, Fujian Medical University, Fuzhou, China.
Frontiers in cardiovascular medicine
|February 10, 2025
概括
机器学习准确地预测急性心肌梗塞 (AMI) 患者心力衰竭 (HF) 风险. 可解释模型识别了关键预测因素,如LVEF,LVD和LDH,用于个性化治疗策略.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 急性心肌梗塞 (AMI) 后心力衰竭 (HF) 的早期预测对于量身定制患者治疗至关重要.
- 机器学习 (ML) 为开发强大的风险预测模型提供了潜力.
研究的目的:
- 开发和验证一种可解释的ML模型,用于预测AMI患者的HF风险.
- 确定 AMI 后 HF 发展的关键临床特征.
主要方法:
- 对1220名AMI患者进行皮肤冠状动脉干预 (PCI) 治疗的回顾性分析.
- 使用LASSO回归的特征选择;使用随机森林,XGBoost,SVM和物流回归的模型开发.
- 使用AUC,校准图和DCA进行性能评估;通过SHAP值来解释模型.
主要成果:
- 20%的患者在3年内发展出HF.
- XGBoost 模型的 AUC 值为 0.922,显示出高预测准确度.
- 左心室喷射分数 (LVEF),左心室末缩直径 (LVDs) 和乳酸脱酶 (LDH) 是最重要的预测因素.
结论:
- ML方法,特别是XGBoost与SHAP分析,显示出在AMI患者中早期预测HF风险的巨大潜力.
- 可解释的ML模型可以为临床决策和个性化医学提供宝贵的见解.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
1.7K
