基于机器学习的算法用于预测欧洲大型混合慢性全闭塞冠状动脉外皮干预程序的成功

科学领域:

• 心脏病学 心脏病学
• 干预心脏病学 干预心脏病学
• 机器学习在医学中的应用

背景情况:

• 慢性全封闭皮肤冠状动脉干预 (CTO-PCI) 的成功率低于非CTO PCI.
• 预测CTO-PCI结果的现有得分具有低于最佳的歧视性性能.
• 准确预测CTO-PCI成功对于程序规划和患者管理至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测CTO-PCI中的程序成功.
• 整合临床和血管学数据,以提高预测准确度.
• 将ML模型的性能与已确定的复杂度得分进行比较.

主要方法:

• 使用了一个由8904名接受CTO-PCI的欧洲多中心队列.
• 在75%的数据上训练了一种光梯度增强机 (LightGBM) 模型,并在25%的数据上进行了测试.
• 使用了16个临床,16个血管学变量,手术体积和3个复杂度得分 (J-CTO,PROGRESS-CTO,RECHARGE).

主要成果:

• 最好的ML模型 (LightGBM) 在程序成功预测方面实现了0.82 (训练组) 和0.73 (测试组) 的AUC.
• ML模型的表现明显优于传统的得分:J-CTO (AUC 0.66),PROGRESS-CTO (AUC 0.62),以及RECHARGE (AUC 0.64) 等等.
• 基于ML的模型在预测CTO-PCI程序成功方面表现出卓越的准确性.

结论:

• 机器学习模型可以准确地预测CTO-PCI中的程序成功.
• 这种基于ML的方法为量身定制的患者管理策略提供了潜力.
• 建议在现实环境中进行进一步的前性验证,以将该模型纳入临床决策中.