机器学习算法预测心力衰竭与保存的喷射分数在早发性心肌梗塞的患者中
Jing-Xian Wang1, Chang-Ping Li2, Zhuang Cui2
1Clinical School of Thoracic, Tianjin Medical University, Tianjin, China.
Frontiers in cardiovascular medicine
|May 22, 2025
概括
一个机器学习模型准确地预测了早发性心肌梗塞 (PMI) 患者的医院心力衰竭与保存的喷射小部分 (HFpEF). 这种工具有助于早期干预,改善HFpEF风险的PMI患者的长期结果.
科学领域:
- 心脏病学 心脏病学
- 人工智能在医学中的应用
- 预测分析是一种预测分析.
背景情况:
- 保存喷射小部分心力衰竭 (HFpEF) 显著影响患有早发性心肌梗塞 (PMI) 的患者的长期预后.
- 在PMI患者的住院HFpEF中,早期和准确的风险分层对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于早期识别PMI患者住院HFpEF风险.
- 创建一个可访问的预测系统,以协助临床医生管理PMI患者.
主要方法:
- 一项前性研究包括2017年1月至2022年12月的840名PMI患者.
- 构建和比较了XGBoost,Lasso-Logistic,随机森林,K-最近邻居和支持矢量机模型.
- 模型性能使用AUC,准确性,精度,F1分数和Brier分数进行评估;用于解释性,使用了沙普利增量扩展 (SHAP).
主要成果:
- 在840名PMI患者中,268人 (31.90%) 在医院内发展出HFpEF.
- XGBoost模型表现出优异的预测性能,AUC为0.854,准确度为0.798,精度为0.686,F1得分为0.586,Brier得分为0.143.
- 最终的预测模型包含了十个关键变量:BNP > 100 pg/mL,SYNTAX评分 > 14.5,年龄,MLR > 0.3,HCT < 45%,HR > 75 bpm,BMI ≥ 24 kg/m2,CLR > 2.83,高血压和Fg > 4 g/L.
结论:
- 使用XGBoost算法的可解释预测模型准确地预测PMI患者的住院HFpEF风险.
- 在线预测系统可用于帮助临床决策,以便及时和精确地进行干预.
- 预计该工具将减少HFpEF发生率,并改善PMI患者的长期预后.
