基于机器学习的评分系统,用于预测急性冠状动脉综合征的心脏性休克

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:

• 心脏性休克 (CS) 是急性冠状动脉综合征 (ACS) 的危及生命的并发症,与近50%的死亡率有关.
• 早期识别CS高风险患者对于实施及时,救命干预至关重要.
• 目前的风险分层方法可能无法完全捕捉ACS患者中CS发展的复杂性.

研究的目的:

• 开发和验证基于机器学习 (ML) 的评分系统,以预测ACS患者在住院期间患上CS的风险.
• 创建一个简单的工具,利用在第一次医疗接触时随时可用的变量.
• 在ACS的背景下,改进对CS的早期风险评估.

主要方法:

• 这是一项观察性多中心研究,涉及大量的ACS患者的导出和外部验证队列.
• 开发了9个ML模型,使用了13个随时可用的临床变量.
• 选择了带有弹性网正规化的物流回归,因为它具有卓越的预测性能.

主要成果:

• 后勤回归模型展示了最高的外部验证的预测性能,其c-统计值为0.844 (95% CI,0.841-0.847).
• 来自该模型的STOP SHOCK得分有效地预测了ACS患者的CS发展.
• 该工具包含了诸如心率,血压和氧和等关键变量.

结论:

• STOP SHOCK评分是一个经过验证的,基于机器学习的工具,用于预测ACS患者在第一次医疗接触时的CS风险.
• 这种可访问的评分系统可以促进预防性策略,以预防CS并改善患者的治疗结果.
• 有一个STOP SHOCK评分的网络应用程序可供临床使用.