使用机器学习模型系统地比较急性心肌梗塞的短期和长期死亡预测
Yawei Yang1, Junjie Tang2, Liping Ma3
1Department of Cardiology, Yueyang Hospital of Integrated Traditional Chinese and Western Medicine, Shanghai University of Traditional Chinese Medicine, Shanghai, 200437, China.
BMC medical informatics and decision making
|June 5, 2025
概括
对于急性心肌梗塞 (AMI) 死亡率预测的机器学习模型表明,长期模型 (5-10年) 比短期模型更准确. 年龄,BNP和Killip分类是关键预测因素,年龄是最重要的.
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:
- 机器学习 (ML) 模型在预测急性心肌梗塞 (AMI) 死亡率方面表现有前途.
- 现有的ML模型主要关注短期预测 (≤1年).
- 需要能够长期预测AMI死亡率的ML模型 (5-10年).
研究的目的:
- 建立和比较AMI死亡率的短期与长期ML模型的预测能力.
- 确定AMI长期死亡率的关键预测因素.
- 为了评估ML模型在不同生存时间框架中的准确性.
主要方法:
- 一项对来自中国两家医院的4173名AMI患者的观察性回顾性研究.
- 使用53个变量,开发用于1年,5年和10年死亡率预测的ML模型.
- 使用过量采样,特征选择和诸如随机森林,LASSO和SVM等算法.
- 为了特征重要性分析,使用了夏普利添加式扩张 (SHAP).
主要成果:
- 一年的模型 (随机森林) 在没有特征选择的情况下获得了97.81%的F1得分.
- 五年模型 (LASSO + RF) 通过特征选择和过量抽样实现了91.35%的F1得分.
- 10年模型 (SVM) 仅通过过量抽样实现了80.7%的F1得分.
- 在所有模型中,年龄,BNP和Killip分类都是一致的预测因素.
- 短期模型不准确地预测了长期存活率,无法区分1年以上的幸存者和非幸存者.
结论:
- 年龄是AMI死亡率的最重要的预测因素,其次是BNP和Killip分类.
- 短期ML模型 (≤1年) 对预测长期AMI死亡率的准确性有限.
- 长期ML模型需要扩展患者数据收集以准确预测长期结果.
- 未来的研究应该专注于在不同人群中开发和验证长期的ML模型.
