走向一个动态模型,估计皮肤穿透冠状动脉干预后大出血风险的变化

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 穿皮冠状动脉干预 (PCI) 的静态风险模型提供一次性估计,未能捕捉出血风险的动态性质.
• 准确,最新的风险评估对于在PCI期间指导治疗决策至关重要.
• 血流是PCI后的重大并发症,需要改进预测工具.

研究的目的:

• 开发和验证动态机器学习模型,用于预测PCI后医院内出血风险.
• 将动态风险模型的性能与使用真实数据的静态模型进行比较.
• 在PCI过程中确定风险评估和干预的关键决策点.

主要方法:

• 使用了来自国家心血管数据注册表 (NCDR) 的CathPCI数据,包括2,868,808个PCI.
• 训练了六种基于树的机器学习模型,以预测临界决策点的出血风险:接入点,PCI前药物和关闭设备.
• 使用2009年7月至2015年4月的数据验证的模型,包括患者特征,程序细节和实验室数据.

主要成果:

• 纳入所有可用的数据的动态模型实现了0.845的接收器操作特征曲线 (AUROC) 下的改进面积,而仅使用呈现变量的模型则为0.812.
• 再分类分析显示,在最初被认为低风险的患者中,有相当多的患者被动态模型确定为中度风险 (1.4%出血) 或高风险 (12.5%出血).
• 这些模型通过整合整个住院期间新获得的数据来证明了更高的预测准确性.

结论:

• 动态风险预测模型在PCI后预测出血方面明显优于静态模型.
• 持续更新风险评估的机器学习方法提供了更精确,更个性化的患者护理.
• 这些发现支持实施动态风险模型以优化治疗决策并减少PCI患者的并发症.