开发一种多标签的学习模型,以预测不稳定胸痛患者的主要心血管不良事件:一项前性队列研究
Jing Li1, Hong Yang1, Yu Zhang1
1Department of Health Statistics, School of Public Health, Shanxi Medical University, Jinzhong 030600, China; Shanxi Provincial Key Laboratory of Major Diseases Risk Assessment, Jinzhong 030600, China.
在不稳定的胸痛 (UAP) 患者中预测主要不良心血管事件 (MACE) 是复杂的. 多标签学习,特别是随机森林的RAKEL模型,改善了MACE的预测准确性,帮助个性化治疗策略.
科学领域:
- 心血管医学 心血管医学
- 机器学习 机器学习
- 预测分析是一种预测分析.
背景情况:
- 主要不良心血管事件 (MACE) 是心血管研究中的关键终点.
- 在不稳定的胸痛 (UAP) 患者中预测MACE存在复杂的挑战.
- 多标签学习 (MLL) 模型被用来同时预测五种不同的MACE类型.
研究的目的:
- 评估多标签学习模型在预测UAP患者多重MACE的有效性.
- 通过使用先进的特征选择技术,确定MACE的显著预后变量.
- 确定最佳的MLL模型和基础分类器,以准确预测MACE.
主要方法:
- 一项针对978名UAP患者进行的前性观察队列研究,随访时间为3年.
- 使用ReliefF进行特征选择,用于多标签特征选择 (RFML),MIFS和SCLS.
- 实施和比较十九个MLL模型,包括RAKEL,与四个基本分类器 (决策树,随机森林,XGBoost,LightGBM).
主要成果:
- 通过RFML进行特征选择,确定了对MLL预测最有影响力的变量.
- 使用随机森林作为基础分类器的RAKEL模型显示出优异的预测性能.
- 关键性能指标包括准确性 (0.575),精度 (0.646),宏观F1 (0.719) 和微观AUC (0.806).
结论:
- 使用随机森林的RAKEL模型显著提高了UAP患者的MACE预测准确度.
- 这种先进的预测方法促进了全面的风险评估.
- 可以制定个性化治疗策略,以改善患者的治疗结果.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Angina V: Nursing Management
Angina III: Clinical Manifestations and Assessment
Angina IV: Management
Angina II: Classification
Acute Coronary Syndrome III: Diagnostic Studies
Acute Coronary Syndrome II: Pathophysiology and Clinical Manifestations
