使用机器学习风险分层急诊室患者胸痛但没有急性心肌梗塞:多中心回顾分析
Eric H Chou1, Tsung-Chien Lu2,3, Yong-Tai Chiu4
1Department of Emergency Medicine Baylor Scott and White All Saints Medical Center Fort Worth TX USA.
一个新的机器学习模型准确地预测了急诊室患者胸部疼痛的主要不良心脏事件 (MACE). 这种工具有助于识别高风险个体及时介入,改善心脏护理结果.
科学领域:
- 心脏病学
- 人工智能
- 医疗信息学
背景情况:
- 在急诊室 (ED) 患有胸痛的患者,在急性心肌梗塞 (MI) 排除后,仍然存在心脏不良事件的风险.
- 准确的风险分层对于这些患者来说至关重要,以指导进一步的治疗和预防不良结果.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测ED患者30天内发生的严重心脏不良事件 (MACE).
- 通过关键的临床和生物标志物数据来评估模型的性能.
主要方法:
- 在德克萨斯州5个医院 (2021-2024) 进行了14177名患有胸痛的成年患者的回顾性分析.
- 使用长期短期记忆 (LSTM) 算法构建预测模型.
- 该模型使用了患者的人口统计数据,生命体征,心电图发现和串行高灵敏心脏素 (hs-cTn) 水平.
主要成果:
- 该研究在0. 3%的患者中发现了30天的MACE (心肌梗塞在0. 1%,所有原因的死亡率在0. 2%).
- 对于30天的MACE (AUC,0. 884),心肌梗塞 (AUC,0. 963) 和全因死亡率 (AUC,0. 849) 的预测性能强.
- 在3. 8%的患者中观察到高灵敏度的心脏托洛水平高于第99百分位.
结论:
- 开发的LSTM模型准确地预测了30天的MACE在急诊室的患者胸痛和没有急性心肌梗塞.
- 该模型能够整合多种数据点,包括串行hs-cTn级别,为风险分层提供了一个有前途的工具.
- 这种ML方法可以提高胸痛患者在ED环境中的临床决策.
更多相关视频
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Angina III: Clinical Manifestations and Assessment
Acute Coronary Syndrome III: Diagnostic Studies
Pulmonary Embolism II: Diagnostic Studies and Interprofessional Care
Acute Coronary Syndrome I: Introduction
Heart Failure IV: Classification and Diagnostic Evaluation
Angina II: Classification
