可解释的人工智能模型用于预测急性心肌梗塞后心力衰竭的严重程度
Chenglong Guo1, Binyu Gao2,3, Xuexue Han4
1Pulmonary Vascular Disease Center, Beijing Anzhen Hospital, Capital Medical University, Beijing, China.
BMC cardiovascular disorders
|May 12, 2025
概括
这项研究开发了一种可解释的AI模型,用于预测急性心肌梗塞 (AMI) 后心力衰竭 (HF) 严重程度. 该模型准确地识别高风险患者,使早期干预和改善结果成为可能.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 急性心肌梗塞 (AMI) 后的心力衰竭 (HF) 对全球死亡率和发病率做出了重大贡献.
- 早期识别和准确预测HF严重程度对于及时采取预防措施和优化治疗至关重要.
- 开发可解释的AI模型用于HF预测对于临床决策支持至关重要.
研究的目的:
- 开发一种可解释的人工智能 (AI) 模型,用于预测急性心肌梗塞 (AMI) 后患者心力衰竭的严重程度.
- 利用多维临床数据进行准确和个性化的高频风险评估.
- 通过可解释的人工智能模型和用户友好的网络平台来增强临床应用.
主要方法:
- 分析了1574名AMI患者的数据集,包括病史,临床特征,生理参数,实验室结果,冠状动脉血管学和心声学.
- 深度学习 (TabNet,MLP) 和机器学习 (Random Forest,XGBoost) 模型被用于HF严重程度的预测.
- 使用沙普利增量解释 (SHAP) 方法来解释模型预测并识别关键临床因素,并为临床使用开发了一个网络平台.
主要成果:
- TabNet模型实现了最高的性能,接收器操作特征曲线 (AUROC) 下的面积为四类的0.827和二进制KILLIP分类的0.831.
- 确定与KILLIP分类高度相关的关键临床因素包括GRACE评分,NT-pro BNP和TIMI评分.
- 使用SHAP增强了模型的解释性,证实了所确定的因素的临床相关性.
结论:
- 开发的AI模型使用可访问的多维临床数据准确预测HF风险和AMI后的严重程度.
- 该模型支持早期临床干预,个性化诊断和改善患者的治疗结果.
- 这种可解释的AI方法在治疗心脏衰竭后的AMI中提供了重要的临床应用价值.
