在SCOT-HEART试验中,机器学习预测高风险的冠状动脉疾病
Michelle Claire Williams1, Alan R M Guimaraes2, Muchen Jiang2
1British Heart Foundation Centre for Research Excellence, The University of Edinburgh, Edinburgh, Scotland, UK michelle.williams@ed.ac.uk.
机器学习模型在冠状动脉扫描 (CCTA) 上准确预测冠状动脉疾病 (CAD),性能优于标准风险得分. 然而,单独的临床因素并没有改善低衰减斑块负担的预测.
科学领域:
- 心脏病学
- 人工智能
- 医学成像
背景情况:
- 机器学习 (ML) 在预测冠状动脉CT血管造影 (CCTA) 结果方面具有前景.
- 准确的预测可以优化医疗资源的利用.
研究的目的:
- 开发和评估使用临床数据预测冠状动脉疾病 (CAD) 和低衰减斑块 (LAP) 的ML模型.
- 将ML模型的性能与传统的心血管风险得分进行比较.
主要方法:
- 使用了来自SCOT- HEART试验的1769名患者的数据.
- 使用人口,临床,心电图和运动耐受性测试数据训练XGBoost ML模型.
- 使用十倍交叉验证和网格搜索进行超参数优化.
主要成果:
- ML模型预测了CCTA的CAD存在,AUC为0. 80,超过了10年心血管风险得分 (AUC为0. 75).
- 主要的CAD预测因素包括风险评分,年龄,性别,胆固醇和异常的运动耐受性测试.
- 使用ML预测增加LAP负担的表现与风险得分相似 (AUC为0. 75对0. 72).
结论:
- 与标准风险得分相比,ML模型可以更好地预测CCTA的CAD存在.
- 单独的临床因素不足以改善LAP负担的预测.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Imaging Studies for Cardiovascular System V: CT
Acute Coronary Syndrome III: Diagnostic Studies
Coronary Artery Disease IV: Preventive Measures
Coronary Artery Disease I: Introduction
