在TAVI后使用植入前临床参数对左捆分支块风险的基于AI的预测
Cheilas Vasileios1, Filandrianos Giorgos2, Martinos Antonios1
1Electophysiology Department, Onassis Cardiac Surgery Center, Athens, Greece.
Future cardiology
|April 29, 2025
概括
在过导管大动脉植入术 (TAVI) 后,预测新出现的左束分支阻塞 (LBBB) 是至关重要的. 大型语言模型,特别是带有思维链提示的GPT-4,比传统的机器学习模型表现出优越的预测性能.
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:
- 过导管大动脉植入 (TAVI) 是严重的大动脉狭窄症的关键治疗方法.
- 新发病的左捆支部阻塞 (LBBB) 是TAVI后的常见并发症.
- 需要准确预测LBBB,以改善患者的治疗结果.
研究的目的:
- 在TAVI之后,为新成立的LBBB开发预测模型.
- 为了比较传统机器学习 (ML) 和大型语言模型 (LLM) 在预测TAVI后LBBB的有效性.
- 为了确定预先植入的参数,预测LBBB的发展.
主要方法:
- 分析了1113名TAVI患者 (469名) 的手术前临床数据.
- 应用各种ML算法 (例如XGBoost) 和LLM (GPT-3.5,GPT-4) 通过Few-Shot和Chain of Thought (CoT) 提示.
- 使用准确度,精度和F1分数来评估模型性能.
主要成果:
- 新发性持续性LBBB发生在15.29%的患者中.
- 在传统的ML模型中,XGBoost表现出了最佳的性能.
- 与ML和GPT-3.5.5相比,使用CoT提示的GPT-4实现了更高的预测准确度.
结论:
- 使用植入前参数的预测模型可以预测TAVI后LBBB的新发病.
- LLM,特别是带有 CoT 的 GPT-4,为预测这种并发症提供了先进的功能.
- 进一步的研究可以完善这些模型用于临床应用.
