在STEMI中基于人工智能的心脏性休克预测模型:用于早期风险评估和预后见解的现实世界数据

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:

• 心脏性休克 (CS) 是ST升高心肌梗塞 (STEMI) 的严重并发症,导致高住院死亡率.
• 早期识别和干预对于改善STEMI患者的治疗结果至关重要.
• 目前的再输血策略并没有显著降低与CS相关的死亡率.

研究的目的:

• 评估机器学习 (ML) 模型在预测早期护理阶段 (医院前,ED,心脏病预约) 中CS风险方面的有效性.
• 评估ML对于需要紧急血管造影的STEMI患者的准确分组和优先级的实用性.
• 确定预测STEMI患者中CS风险的关键临床特征.

主要方法:

• 开发和评估各种ML模型,包括额外树木,支持矢量机器和随机森林分类器.
• 在不同护理阶段使用准确度,精度,回忆,F1得分和MCC等指标评估模型性能.
• 从常规可用的临床数据中识别关键预测特征.

主要成果:

• 额外的树木分类器在医院前阶段表现高 (ACC 0.9062).
• 支持矢量机 (ACC 78.12%) 和随机森林 (ACC 81.25%) 分别在ED和心脏病预警阶段表现出强大的预测能力.
• 基利普类,心电图节奏,肌素,和功能障碍标记是关键预测因素;模型在医院前和ED环境中显示出最大的实用性.

结论:

• 基于ML的预测模型是早期风险分层的有价值的工具STEMI患者有风险的CS.
• 基于机器学习的工具的实施可以在早期的STEMI护理途径中加强决策.
• 这些工具有可能通过更快,更准确的患者管理来提高生存率,特别是在时间敏感的环境中.