机器学习方法对急性心肌梗塞患者的住院死亡率的预测模型的建立 皮肤外冠状动脉干预后的患者:面向缩小尺寸和阶级失衡的数据库的解决方案
Wenqiang Li1,2, Peng Lei1,3, Rongyan Dong4
1The First School of Clinical Medical, Lanzhou University, 730000 Lanzhou, Gansu, China.
Reviews in cardiovascular medicine
|October 15, 2025
概括
机器学习使用先进的数据平衡和特征选择准确地预测急性心肌梗塞 (AMI) 后的住院死亡率. 这种方法增强了经过皮肤冠状动脉干预 (PCI) 的患者的风险评估.
科学领域:
- 心血管医学 心血管医学
- 医疗保健中的机器学习
- 生物统计学 生物统计学
背景情况:
- 急性心肌梗塞 (AMI) 是一个主要的全球健康问题,皮肤冠状动脉干预 (PCI) 降低了住院死亡率 (IHM).
- 患者数据中的类不平衡对PCI后IHM准确预测模型构成挑战.
- 现有的机器学习 (ML) 模型往往缺乏高精度和个性化风险评估能力.
研究的目的:
- 开发和评估机器学习模型,用于预测急性心肌梗塞 (AMI) 接受皮肤冠状动脉干预 (PCI) 的患者的住院死亡率 (IHM).
- 在预测IHM时应对阶级不平衡的挑战.
- 确定可靠的数据处理和特征选择方法,以提高预测模型的性能.
主要方法:
- 从2019年1月到2020年12月,对1693名AMI患者进行了回顾性研究.
- 数据处理涉及合成少数过量采样技术 (SMOTE) 用于类平衡,Boruta用于特征选择,以及网格搜索交叉验证 (GSCV) 用于超参数调整.
- 实施了六个机器学习算法,并使用包括精度,灵敏度,精度,F1分数,AUROC和AUPRC在内的指标进行了评估.
主要成果:
- 一组1693名AMI患者的队列显示,PCI后的IHM率为2.0% (34名患者).
- 斯莫特,博鲁塔和GSCV确定了32个独立的风险因素,并平衡了数据集.
- 整体ML算法,特别是光梯度增强机 (LightGBM),表现出卓越的性能,AUROC为0.93和AUPRC为0.62,达到0.988准确度.
结论:
- SMOTE,Boruta,GSCV和LightGBM的组合提供了一个强大的框架,可以在PCI后的AMI患者中准确预测IHM.
- 有效的数据平衡和特征选择对于在不平衡的数据集中开发高性能预测模型至关重要.
- 这种方法为改善心血管护理中的个性化风险评估提供了潜力.
