超越心房动:机器学习算法预测了先天性心脏病的成年患者中风

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 成年先天性心脏病 (ACHD) 患者面临中风和全身栓塞 (SSE) 的风险增加.
• 准确的风险预测对于在这个脆弱人群中管理SSE至关重要.
• 现有的临床风险得分可能无法在ACHD中完全捕捉到SSE风险.

研究的目的:

• 开发和验证人工智能 (AI) 模型,以便在ACHD患者中进行可靠的SSE风险预测.
• 将机器学习 (ML) 算法的性能与传统的临床风险得分进行比较.
• 通过可解释的AI方法在ACHD中识别SSE的关键预测因素.

主要方法:

• 使用了49276名ACHD患者 (2009-2014) 的非识别保险索赔数据.
• 在一个开发队列 (70%) 上训练了两个ML算法,规范化的Cox回归 (RegCox) 和极端梯度提升 (XGBoost).
• 使用AUC验证模型性能,并使用SHAP识别风险驱动因素.

主要成果:

• 在SSE预测中,ML模型的表现明显优于CHA2DS2-VASC得分 (AUC 0.66).
• 在1年,2年和5年的随访期间,RegCox的AUC分别为0.82,0.81和0.80.
• 耳前隔膜缺陷 (ASD) 被ML算法确定为一个重要的SSE预测因子.

结论:

• 与当前的临床分数相比,AI驱动的ML模型在ACHD患者中提供了优越的SSE风险预测.
• 通过ML模型识别ASD作为一个关键的风险因素,可以完善风险分层.
• 这些发现支持将先进的ML技术整合到ACHD中,以改善心血管风险管理.