通过机器学习改善心血管事件的预后风险评估:使用正子发射断层扫描和心肌 perfusion 图像成像的评估

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 在疑似或确诊冠状动脉疾病 (CAD) 的患者中增强风险评估方面表现有前途.
• 某些ML方法擅长捕捉非线性关系,并提供逐案可解释性,以提高临床效用.

研究的目的:

• 评估自动机器学习 (AutoML) 模型在预测冠状动脉疾病 (CAD) 患者的主要不良心血管事件 (MACE) 的有效性.
• 为了比较AutoML与传统的后勤回归 (LR) 和深度前神经网络 (DNN) 模型的性能,用于CAD风险分层.

主要方法:

• 利用了8,357名患者的临床和正电子发射断层扫描 (PET) 数据来训练预测模型.
• 采用自动机器学习 (AutoML) 并在未见的数据上测试性能.
• 将AutoML模型性能与后勤回归 (LR) 和深度前神经网络 (DNN) 模型进行比较,以预测MACEs.

主要成果:

• 与LR (0.79) 和DNN (0.76) 模型相比,AutoML模型实现了0.82的接收器操作员曲线 (AUC) 下的优越面积.
• 心肌流量储备 (MFR) 被确定为对MACE预测最有影响的特征,其次是总 perfusion 缺陷,血清肌素和透气血压.
• 该研究包括8357名患者,MFR的中位数为2.1,10.2%的患者在平均589天的随访期间经历了MACE.

结论:

• 与LR和DNN模型相比,集临床和PET数据的自动机器学习 (AutoML) 模型在区分CAD患者的MACE风险方面表现出更高的准确性.
• 自动ML模型提供了可解释的患者级别解释,促进了个性化护理策略.
• 这种方法增强了风险分层,并支持CAD管理的知情临床决策.