使用可解释机器学习改善心脏突然死亡的风险分层:临床视角

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:

• 心脏突然死亡 (SCD) 是心血管死亡的一个重要原因.
• 目前的可植入式心脏转换器-除器 (ICD) 选择缺乏精度,导致患者的治疗结果低于最佳.
• 可解释机器学习 (ML) 为改善风险分层提供了一个潜在的解决方案.

研究的目的:

• 开发和验证一个可解释的ML模型来预测适当的ICD激活.
• 通过使用各种临床数据,完善患者选择ICD植入的方法.
• 提高SCD风险评估中临床推理的透明度.

主要方法:

• 对607名接受ICD或CRT-D植入的患者的回顾性分析.
• 收集全面的基线数据:人口,临床,心声,实验室和设备相关的变量.
• 开发一个物流回归 (LR) 模型,以预测适当的ICD激活,使用患者随访数据.

主要成果:

• 该LR模型实现了强大的预测性能 (AUC-ROC 0.74,灵敏度为86.50%).
• 确定的关键预测因素包括心室低心率 (VT) 负担,持续的VT,更长的随访和二次预防.
• 与罗西米德和螺旋子的联合治疗与较低的预测SCD风险有关.

结论:

• 应用于常规临床数据的ML可以显著提高SCD风险分层.
• 这种方法补充了现有的指导标准,通过确认已知的预测因素和识别新的关联.
• 可解释的ML模型可以支持ICD植入的临床决策,改善患者选择和结果.