机器学习模型用于预测心脏动患者的住院心脏病死亡率

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 心房动 (AF) 是一种常见的心律失常症,与心脏病死亡的风险增加有关.
• 准确预测AF患者的心脏死亡率对于及时干预和改善患者结果至关重要.
• 现有的风险分层模型可能无法充分利用电子医疗记录 (EMR) 数据的潜力.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测心脏动患者的住院心脏死亡率.
• 在这个预测任务中比较不同ML算法的性能.
• 使用可解释的ML方法确定AF患者心脏死亡率的关键临床预测因素.

主要方法:

• 使用EMR数据分析了18727名心房患者的队列.
• 四个ML算法 (随机森林,极端梯度增强 (XGBoost),深度神经网络,后勤回归) 在79个临床变量上受训.
• 使用包括曲线下的面积 (AUC),精度,准确性和回忆等指标来评估模型性能. 为了解释性,使用了沙普利添加式解释 (SHAP).

主要成果:

• XGBoost 模型表现出卓越的性能,在验证集中达到 0.932 ± 0.057 的 AUC.
• 该XGBoost模型报告了高精度 (0.909 ± 0.021),准确度 (0.910 ± 0.021) 和回忆 (0.897 ± 0.038).
• 确定的关键预测因素包括甲状腺功能指数,前素,N终端前脑尿素和国际正常化比率.

结论:

• 一个可解释的ML模型,特别是XGBoost,有效地预测AF患者的住院心脏病死亡率.
• 该模型的确定的预测因素为AF中心脏死亡率的机制提供了洞察力.
• 这种人工智能驱动的工具有可能增强早期风险分层,并为AF患者提供个性化的护理,从而保证未来的验证.