对冠状动脉疾病的预测概率模型的比较评估与对基于机器学习的新模型的评估

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 诊断的准确性 诊断的准确性

背景情况:

• 准确预测冠状动脉疾病 (CAD) 风险对于患者管理至关重要.
• 对于CAD的传统预测前测试概率 (PTP) 模型在预测准确性方面存在局限性.
• 机器学习 (ML) 提供了增强心脏病学诊断模型的潜力.

研究的目的:

• 验证和比较传统PTP模型 (CAD联盟模型CAD1和CAD2) 与基于ML的新型PTP模型 (ML-CAD2和ML-IJC) 的性能,以预测阻塞CAD.
• 通过接收器操作特征 (ROC) 分析来评估这些模型的诊断准确性.

主要方法:

• 评估了两个传统的PTP模型 (CAD1,CAD2) 和两个基于ML的PTP模型 (ML-CAD2,ML-IJC).
• 主要终点是阻塞性CAD的存在.
• 用曲线下的面积 (AUC) 和通过ROC分析的准确度指标来评估模型性能.

主要成果:

• IJC-CAD模型实现了最高的AUC (0.860),其次是ML-CAD2 (0.814),CAD2 (0.785) 和CAD1 (0.767).
• 所有模型都经过调整,以达到>95%的CAD检测灵敏度.
• IJC-CAD表现出最高的准确率 (80.3%),ML-CAD2的准确率为77.7%.

结论:

• 与传统CAD联盟模型 (CAD1和CAD2) 相比,ML-CAD2和IJC-CAD模型对阻塞性CAD具有更好的预测性能.
• 这些先进的模型有望提高疑似CAD患者的诊断准确性和风险分层.