增强的机器学习模型用于预测75岁及以上非STEMI患者的三年死亡率

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 老年医学 老年医学

背景情况:

• 非ST段升高心肌梗塞 (非STEMI) 对75岁及以上的个人构成高死亡风险.
• 现有的预后模型往往无法充分解决这个老年人群的复杂性.
• 对于这个年龄段的非STEMI患者来说,急需改进预测工具.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测75岁及以上的非STEMI患者的三年死亡率.
• 确定影响这一人口群体死亡率的关键临床因素.
• 为临床医生提供一种工具,以帮助他们为个性化患者护理做出决策.

主要方法:

• 一个随机森林 (RF) 模型是使用234名非STEMI患者的临床数据 (70:30列车验证分割) 开发的.
• 拉索回归和交叉验证确定了重要的预测因素:年龄,脉,呼吸辅助,葡萄糖,皮肤穿透冠状动脉干预 (PCI) 和β-阻断剂的使用.
• 沙普利添加式扩张 (SHAP) 分析指出PCI,年龄和脉对于死亡率预测最为关键.

主要成果:

• 射频模型实现了高预测性能,曲线下的面积 (AUC) 为0.92.
• 皮肤冠状动脉干预 (PCI),患者年龄和脉率 (P [bpm]) 被确定为三年死亡率最重要的预测因素.
• 创建了一个用户友好的基于Web的计算器,以将这些预测见解集成到临床实践中.

结论:

• 一个强大的随机森林 (RF) 模型有效预测老年非STEMI患者的三年死亡率.
• 穿皮冠状动脉干预 (PCI),β阻塞剂的使用以及脉冲 (P [bpm]) 和葡萄糖 (Glu) 水平的管理对于改善结果至关重要.
• 开发的网络工具支持个性化决策,优化资源配置和针对这一弱势群体量身定制的干预措施.