机器学习算法的应用在皮肤冠状动脉干预后预测主要不良心血管事件的新发性ST段升高心肌梗塞患者中

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 开发主要不良心血管事件 (MACE) 的预测模型对于接受皮肤冠状动脉干预 (PCI) 的患者至关重要.
• 新发性ST段升高心肌梗塞 (STEMI) 患者是高风险人群,需要在PCI后进行精确的风险分层.
• 机器学习 (ML) 算法有可能提高心血管事件预测的准确性.

研究的目的:

• 在新发性STEMI患者中开发和验证PCI后MACE的预测模型.
• 为了比较四个不同的ML算法在预测MACE风险方面的性能.
• 用临床工具识别MACE的关键预测因子并可视化风险.

主要方法:

• 对接受PCI的250名新发性STEMI患者的回顾性数据分析.
• 应用四个ML算法:K-最近的邻居 (KNN),支持向量机 (SVM),补充天真贝叶斯 (CNB) 和后勤回归.
• 使用Boruta算法进行特征选择,通过AUC进行模型评估,使用基于SHAP分析的名录图进行灵敏度,特异性和风险可视化.

主要成果:

• 后勤回归显示出优异的性能,AUC为0.814 (训练) 和0.776 (验证).
• 确定了MACE的七个关键预测因素:基利普分类,根西尼分数,血尿素 (BUN),心率 (HR),肌素 (CR),谷氨酸转移酶 (GLT) 和血小板计数 (PCT).
• 构建的名图提供了准确的风险预测,显示了预测和观察结果之间的强烈一致.

结论:

• 开发的后勤回归模型对于预测PCI后STEMI患者的MACE风险是有效的.
• 诺米图为临床医生提供了有价值和实用的工具,促进了个性化风险评估.
• 通过这种预测工具可以实现更好的临床决策和患者管理.