基于机器学习的预测三年心力衰竭和死亡率过早心室收缩废除后的预测

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 对于早发性心室收缩 (PVCs) 的导管切除后的长期结果,包括心力衰竭和死亡率,尚不清楚.
• 有效的风险分层模型是必要的,以识别患有更高风险的患者的不良事件后的消去.

研究的目的:

• 开发和比较机器学习模型,以预测PVC切除后的三年心力衰竭和死亡率.
• 评估不同的算法在处理类不平衡,预测罕见事件的性能.

主要方法:

• 使用全国索赔数据库对4195名接受PVC切除术的成年患者进行了回顾性分析.
• 应用合成少数人过量抽样技术 (SMOTE) 和随机过量抽样示例 (ROSE) 来解决阶级不平衡.
• 逻辑回归,决策树,随机森林,XGBoost和LightGBM的比较,使用ROC AUC和PR曲线进行评估.

主要成果:

• 使用ROSE的LightGBM实现了预测三年心力衰竭的最高ROC AUC (0.822).
• 后勤回归和ROSE的LightGBM显示了与三年死亡率预测的可比性能 (ROC AUC 0.886和0.882).
• 确定的主要预测因素包括年龄,先前的心力衰竭,恶性瘤和末期病.

结论:

• 机器学习模型,特别是LightGBM与ROSE,在PVC剥离后提供了可靠和临床解释的风险分层.
• 这些模型可以集成到电子健康记录中,以改善患者管理.
• 建议进行进一步的外部验证和本地值优化.