通过机器学习优化冠状动脉成像决策:一个外部验证研究
L Malin Overmars1, Bram van Es2, Floor Groepenhoff3
1Central Diagnostic Laboratory, University Medical Centre Utrecht, Utrecht, The Netherlands l.m.overmars-2@umcutrecht.nl.
Open heart
|April 25, 2025
概括
使用电子健康记录 (EHR) 的性别分层机器学习算法显示出高负预测值,以排除冠状动脉狭窄. 虽然有前途,但在广泛临床使用之前需要进一步改进.
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:
- 诊断冠状动脉狭窄是具有挑战性的,目前的CT和血管造影等方法是昂贵和侵入性的.
- 电子健康记录 (EHR) 为排除冠状动脉狭窄症提供了一个潜在的非侵入性替代方案.
- 对性别分层算法的外部验证对于在不同的医疗保健环境中评估概括性至关重要.
研究的目的:
- 为了外部验证性别分层的机器学习算法来预测冠状动脉狭窄缺失.
- 在使用EHR数据的不同临床环境中评估算法性能.
主要方法:
- 基于性别分层的XGBoost算法是使用来自14,674名患者的EHR数据开发的.
- 算法在13个心脏病中心的9,252名患者的EHR数据上进行了外部测试.
- 通过放射学报告的文本挖掘来确定冠状动脉狭窄缺失;通过负预测值 (NPV) 和特异性来测量性能.
主要成果:
- 在训练队列中,算法实现了0.95 (男性) 和0.93 (女性) 的NPV,其特异性为0.14 (男性) 和0.26 (女性).
- 在测试队列中,NPV为0.89 (男性) 和0.87 (女性),特异性为0.07 (男性) 和0.18 (女性).
- 在不同的环境中观察到高的NPV,这表明缺少狭窄的强大预测能力.
结论:
- 使用EHR数据的性别分层机器学习算法可以在高NPV的情况下非侵入性地预测冠状动脉狭窄缺失.
- 温和的特异性表明立即临床采用的局限性.
- 在这些算法在临床实践中得到广泛应用之前,需要进一步的研究和改进.
