基于机器学习的可解释预测模型的开发和验证,用于长期的不良临床事件,高出血风险的患者接受皮肤冠状动脉干预:来自前性队列研究的结果

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 经过皮肤冠状动脉干预 (PCI) 的高出血风险 (HBR) 患者会出现更多不良事件.
• 目前的风险模型不充分评估接受PCI的HBR患者.
• 需要改善PCI-HBR患者的风险预测.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测经过PCI的高出血风险患者的长期净不良临床事件 (NACE).
• 在这个特定的患者队列中确定NACE的关键预测因素.

主要方法:

• 利用了从预后分析和适当的抗血小板策略患者皮肤冠状动脉干预和高出血风险 (PPP-PCI) 登记册的数据.
• 采用递归特征消除 (RFE) 和夏普利添加式解释 (SHAP) 来进行特征选择和解释.
• 开发并比较了四个ML算法:物流回归,随机森林,梯度增强和XGBoost.

主要成果:

• 包括1512名被归类为高出血风险 (HBR) 的患者,接受皮肤冠状动脉干预 (PCI).
• XGBoost模型实现了最高的预测性能,曲线下的面积 (AUC) 为0.85.
• SHAP分析确定了NACE的24个显著预测因素,包括临床,实验室和心声回声数据.

结论:

• 开发的ML模型在PCI-HBR患者的长期NACE预测方面表现出高准确性和可解释性.
• 这种模型显示了改善PCI接受HBR患者的临床决策和患者护理的潜力.
• 建议在多样化和更大的种群中进一步验证.