机器学习模型在主要心血管不良事件的预测基于冠状动脉计算机断层扫描血管学:系统性审查
Yuchen Ma1, Mohan Li1, Huiqun Wu1
1Department of Medical Informatics, Medical School of Nantong University, Nantong, China.
Journal of medical Internet research
|June 13, 2025
概括
使用冠状动脉CT血管学放射性特征的机器学习模型在预测主要不良心血管事件方面表现有前途. 后勤回归模型,特别是具有临床特征的模型,特别有效,需要进一步的临床试验.
科学领域:
- 心脏病学 心脏病学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 冠状动脉计算机断层扫描血管造影 (CCTA) 是一种主要的非侵入性检查高风险冠状动脉疾病 (CAD) 的方法.
- 机器学习 (ML) 提高了CCTA对主要不良心血管事件 (MACE) 的诊断准确性.
- 放射学为识别高风险患者和改善CCTA性能提供了多维特征,尽管其在MACE预测中的作用仍在争论中.
研究的目的:
- 为了评估ML模型的诊断价值,使用CCTA衍生的放射性特征来预测MACE.
- 为了比较各种ML算法和模型的性能.
- 为MACE诊断,治疗和预后提供临床建议.
主要方法:
- 在5个数据库 (PubMed,科学网等) 中进行系统搜索. 在2024年9月10日之前,确定了ML模型,CCTA和MACE预测的研究.
- 偏差风险使用预测模型偏差风险评估工具进行评估.
- 放射性质量评分 (RQS) 和TRIPOD指南确保了方法质量和透明度.
- 使用Meta-DiSc和StataMP进行了元分析,并对异质性的子组分析.
主要成果:
- 包括10项研究,其中17个模型用于培训组和26个模型用于测试组.
- 接收器操作特征 (AUROC) 曲线下的聚合面积为0.7879 (培训) 和0.7981 (测试).
- 后勤回归 (LR) 模型实现了0.7983 (培训) 和0.8229 (测试) 的AUROC;随机森林 (RF) 模型达到0.8444 (培训).
结论:
- 使用CCTA放射性特征的ML模型优于MACE预测的一般模型.
- 基于LR的ML模型显示出显著的临床潜力,特别是当与临床特征集成时.
- 对于基于LR的ML模型,建议通过广泛的临床试验进行进一步验证.
