高风险胸痛的机器学习预测和解释性分析:来自MIMIC-IV数据库的研究
Hongyi Chen1, Haiyang Song1, Hongyu Huang2
1Fujian Provincial Hospital, Department of Emergency, Fuzhou, China.
Frontiers in physiology
|July 15, 2025
概括
一个机器学习模型使用患者数据准确预测高风险的胸痛. 这种决策支持工具有助于急诊医生提高诊断准确性和患者的治疗结果.
科学领域:
- 心脏病学 心脏病学
- 紧急医疗 紧急医疗
- 机器学习 机器学习
背景情况:
- 高风险的胸痛是一个关键的急诊室呈现.
- 准确诊断胸痛对于患者的生存至关重要.
- 危及生命的心肺疾病往往表现为胸痛.
研究的目的:
- 开发和优化机器学习模型,用于预测高风险胸痛.
- 为了提高急诊部门的诊断准确度.
- 为紧急医生提供决策支持工具.
主要方法:
- 使用了MIMIC-IV数据库 (n=14716名患者).
- 使用SMOTE实现特征工程和不足样本以解决类不平衡.
- 使用贝叶斯超参数调整优化模型并评估了七个算法 (逻辑回归,随机森林,SVM,XGBoost,LightGBM,TabTransformer,TabNet).
主要成果:
- 轻GBM模型实现了卓越的性能:精度=0.95,精度=0.95,回忆=0.95,F1分数=0.94.
- SHAP分析确定了最大的氨酸和肌酸激酶-MB水平作为关键预测特征.
- 该模型显示了对高风险胸痛的显著预测能力.
结论:
- 优化的LightGBM模型为高风险胸痛提供了临床显著的预测价值.
- 这种工具可以提高诊断的准确性,并改善患者在紧急情况下的结果.
- 机器学习模型在支持临床决策方面显示出有前途的前景.
更多相关视频
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
8.3K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
587
