基于机器学习的急性心肌梗塞患者在12个月内返回工作评估系统

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 重返工作是急性心肌梗塞 (AMI) 后恢复的一个关键指标.
• 识别低回归工作率 (RTW) 的患者对于及时干预至关重要.
• 预测模型可以帮助管理患者的康复和重新融入劳动力.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测AMI患者返回工作的情况.
• 确定影响RTW后AMI的关键因素.
• 为医疗保健专业人员提供一个工具来评估RTW概率.

主要方法:

• 从急性心肌梗塞后心力衰竭发病率与最佳治疗数据库对539名AMI患者记录的回顾性分析.
• 随机将患者分为培训 (70%) 和验证 (30%) 队列.
• 评估了七个ML算法,使用AUC,准确性,F1得分和Brier得分来评估性能.

主要成果:

• 极端梯度增强模型表现出卓越的性能,AUC为0.821.
• 该模型实现了0.802的精度和0.873.3的F1得分.
• 开发的RTW得分有效地将患者分为低,中和高概率组 (分别为33.3%,60.0%,91.7%的RTW率;P<0.001).

结论:

• 成功开发了一种新的ML模型,用于预测AMI患者的恢复工作.
• 该模型可以帮助识别高风险延迟恢复工作的患者.
• 该模型可以通过Web应用程序访问,作为AMI患者的宝贵管理工具.