机器学习与传统方法来预测急性冠状动脉综合征的全因死亡率:系统审查和元分析
Aashray K Gupta1, Cecil Mustafiz2, Daud Mutahar3
1Discipline of Surgery, University of Adelaide, Adelaide, Australia.
The Canadian journal of cardiology
|February 19, 2025
概括
与传统风险评分相比,机器学习模型在预测急性冠状动脉综合征 (ACS) 患者的死亡率方面表现出卓越的准确性. 对于这些先进模型的广泛临床使用,需要进一步验证.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 急性冠状动脉综合征 (ACS) 是全球主要的死亡原因.
- 准确的风险预测对于有效的ACS患者管理和治疗至关重要.
- 现有的风险分层模型 (例如,GRACE,TIMI) 在预测准确性方面存在局限性.
研究的目的:
- 将机器学习 (ML) 模型的性能与传统风险评分进行比较,以预测ACS患者的全因死亡率.
- 评估ML模型在ACS预后中的区分价值.
- 综合关于ML在ACS风险分层中的比较有效性的证据.
主要方法:
- 对比ML模型和传统方法用于ACS死亡率预测的研究的系统审查和元分析.
- 搜索了多个数据库 (PubMed,Embase,科学网等) 在2024年10月30日之前.
- 主要结果:通过C统计测量比较歧视.
主要成果:
- 分析了12项涉及250,510名患者的研究.
- ML模型的总结C统计值为0.88,超过了传统方法 (0.82).
- ML模型在ACS患者的全因死亡率上显示出明显优异的歧视.
结论:
- 与既有工具相比,机器学习模型可以更好地预测ACS死亡风险.
- 尽管性能优越,但ML模型的临床应用需要进一步验证,因为已确定存在偏差风险.
- 未来的研究应该专注于对ML模型的强有力的验证,以便在ACS护理中可靠的临床实施.
