基于机器学习的免疫炎症指数整合临床特征,用于预测冠状动脉斑块破裂

科学领域:

• 心脏病学 心脏病学
• 生物标志物 生物标志物
• 机器学习在医学中的应用

背景情况:

• 冠状动脉斑块破裂 (PR) 与免疫炎症反应有关.
• 系统性炎症指数 (SII) 和系统性炎症反应指数 (SIRI) 在预测PR方面表现有希望.
• 早期识别PR风险对于患者管理至关重要.

研究的目的:

• 开发一个机器学习 (ML) 模型来预测PR.
• 将基线患者特征,SII和SIRI整合到预测模型中.
• 在侵入性成像之前识别PR高风险患者.

主要方法:

• 分析了一组337名急性冠状动脉综合征患者的队列,这些患者正在接受皮肤通透冠状动脉干预.
• 冠状动脉光学连贯断层扫描 (OCT) 确定了斑块破裂.
• 一个XGBoost ML模型是使用九个特征构建的,包括SII和SIRI,特征的重要性是根据SHAP值进行评估的.

主要成果:

• 该ML模型的AUC为0.81,超过单独的SII或SIRI.
• 该模型展示了良好的校准.
• 由SHAP值确定的顶级预测特征是SII,LDL-C和SIRI.

结论:

• 综合临床数据的免疫炎症指数可以预测PR.
• 开发的ML模型显示了预测PR发生的潜力.
• 需要进一步的大规模,多中心的研究来验证该模型的通用性.