机器学习风险预测模型用于Takotsubo心肌病患者的住院死亡率
Ankit Agrawal1, Umesh Bhagat1, Aro Daniela Arockiam1
1Department of Cardiovascular Medicine, Heart, Vascular, and Thoracic Institute, Cleveland Clinic, Cleveland, OH, USA.
International journal of cardiology
|March 22, 2025
概括
一个新的机器学习风险评分有效预测Takotsubo心肌病 (TC) 患者的住院死亡率. 这种工具有助于分层对待患有这种急性心力衰竭综合征的患者的风险.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 塔科茨博心肌病 (TC) 是一种急性心力衰竭综合征,伴有过时的左心室功能障碍,通常是压力引起的.
- 目前关于预测TC死亡率的风险评分的数据有限.
- 本研究解决了在TC管理中需要更好的风险分层工具的需求.
研究的目的:
- 开发和验证基于机器学习的风险评分,用于预测Takotsubo心肌病患者的住院死亡率.
- 确定与TC患者死亡率相关的关键临床因素.
主要方法:
- 利用2016-2020年国家住院样本 (NIS) 数据库来识别被诊断患有TC的成年患者 (ICD-10代码I51.81).
- 数据集分为培训 (70%),验证 (20%) 和测试 (10%) 的模型开发和评估数据集.
- 模型性能使用曲线下的面积 (AUC) 以95%的置信区间来评估.
主要成果:
- 确定了38662名TC患者 (平均年龄为67.15岁,83%为女性),住院死亡率为6.5% (2499人死亡).
- 开发了一个新的风险评分 (0-127) 结合年龄,种族,Elixhauser并发症负担,高血压,心律失常,心脏骤停,心脏性休克和急性损伤.
- 实现了强大的模型性能,AUC为0.809 (训练),0.809 (验证) 和0.838 (测试).
结论:
- 塔科茨布心肌病变与显著的发病率和死亡率有关.
- 开发的机器学习风险评分证明了对TC患者风险分层的有用性.
- 建议进行外部验证,以确认这些发现的概括性.
