在PCI后的患者中使用行为和生理数据进行多模式炎症风险建模

科学领域:

• 心血管医学 心血管医学
• 生物标志物和炎症 生物标志物和炎症
• 数字健康和可穿戴技术

背景情况:

• 经皮肤冠状动脉干预 (PCI) 后持续的低级炎症与主要不良心血管事件 (MACE) 有关.
• 目前的风险评估依赖于高灵敏度C反应蛋白 (hs-CRP) 等生物标志物,低利用可穿戴设备衍生的行为数据.

研究的目的:

• 开发和验证PCI后患者持续炎症风险的多式预测模型.
• 该模型将可穿戴设备衍生的行为数据与生理生物标志物集成在一起.

主要方法:

• 对312名接受PCI的成年患者进行前性观察性研究.
• 收集的数据包括电子健康记录,炎症标志物 (hs-CRP,IL-6,NLR) 和可穿戴生命记录变量 (步数,睡眠效率,HRV,SpO2) 长达6个月.
• 我们比较了四种机器学习模型 (逻辑回归,随机森林,LSTM,变压器) 来预测hs-CRP减少,使用SHAP和注意力分析进行解释性.

主要成果:

• 炎症改善的患者表现出明显更高的步数,睡眠效率,HRV和SpO2.
• 变压器模型实现了最高的性能 (AUC 0.88,F1得分为 0.81).
• SHAP分析强调了可修改的行为特征的强有力的预测贡献.

结论:

• 整合可穿戴设备衍生的行为和生理数据可以提高PCI后炎症结果的预测.
• 行为指标与炎症密切相关,支持以患者为中心的自我调节干预措施,用于心血管风险管理.