用直接口服抗凝剂治疗的心房患者预测死亡率:基于MIMIC-IV数据库的机器学习研究

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:

• 心房动 (AF) 是一种普遍存在的心律失常,与死亡率的增加有关,特别是在老年人群中.
• 直接口服抗凝剂 (DOAC) 对于预防AF患者中风至关重要,超过了传统疗法.
• 现有的风险评分 (HATCH,CHA2DS2-VASc) 在预测AF患者的死亡率方面存在局限性.

研究的目的:

• 开发和验证机器学习模型,用于预测用DOACs治疗的AF患者的6个月死亡率.
• 为了确定这一患者队列中死亡率的显著预测因素.
• 加强个性化的风险评估和患者管理策略.

主要方法:

• 利用MIMIC-IV数据库,分析了来自6431名AF患者的数据.
• 采用LASSO进行特征选择,并构建了五个机器学习模型 (逻辑回归,随机森林,XGBoost,LightGBM,AdaBoost).
• 应用SHAP值用于模型解释性和特征重要性分析.

主要成果:

• 光GBM模型表现出卓越的性能,AUC为0.886,准确度为0.862,灵敏度为0.913,特异性为0.859.
• 确定的主要预测因素包括住院时间长度,ICU持续时间和并发症.
• SHAP分析提供了对个体患者风险因素的见解.

结论:

• 机器学习模型准确地预测了使用DOAC的AF患者的死亡率.
• 这些发现支持将这些模型整合到临床实践中,以实现个性化的患者护理.
• 这种预测能力可以帮助优化治疗策略并改善患者的治疗结果.