优化特征选择和先进的机器学习用于在重血管化的冠状动脉疾病患者中预测中风风险
Yong Si1, Armin Abdollahi1, Negin Ashrafi1
1University of Southern California, Los Angeles, CA, USA.
BMC medical informatics and decision making
|July 24, 2025
概括
机器学习准确地预测了冠状动脉再血管化后的中风风险. CatBoost模型使用更少的功能,改进了现有的方法,以获得更好的临床决策.
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:
- 冠状动脉疾病 (CAD) 是全球主要的死亡原因.
- 脑卒中是冠状动脉复血管化 (PCI/CABG) 后的一个重要并发症.
- 现有的机器学习 (ML) 模型可以预测术后的结果,但缺乏量化中风风险预测.
研究的目的:
- 开发和验证ML模型,用于预测CAD患者中风风险.
- 解决基于ML的定量中风风险评估的差距.
- 加强临床决策和改善患者的治疗结果.
主要方法:
- 从MIMIC-IV数据库中提取了5757名患者的数据.
- 使用特征选择 (皮尔森,拉索,,弹性网) 将35个特征减少到14个特征.
- 通过使用AUC-ROC和训练,测试和验证集的准确性评估了多个ML模型 (逻辑回归,XGBoost,随机森林,AdaBoost,Naive Bayes,KNN,CatBoost).
主要成果:
- CatBoost模型实现了优异的性能,AUC为0.8486 (测试组) 和0.8511 (验证组).
- SHAP分析确定了查尔森并发症指数 (CCI),住院时间 (LOS) 和治疗类型作为关键预测因素.
- 该模型显示预测性能比现有文献有9%的改善,具有更节省的特征集.
结论:
- 综合功能选择简化了预测模型的效率和可靠性.
- 建议使用CatBoost模型来准确预测手术后的中风在接受再血管化的CAD患者中.
- 该模型为明智的临床决策和减轻中风风险提供了宝贵的见解.
