在接受皮肤冠状动脉干预的急性心肌梗塞复杂的心脏性休克接受机械循环支持的患者中,模拟住院死亡率

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 带有心脏性休克 (AMI-CS) 的急性心肌梗塞具有显著的发病率和死亡率.
• 治疗AMI-CS的治疗策略,包括机械循环支持装置,如Impella和大动脉内气球 (IABP),需要细微的了解.
• 患者对这些干预措施的反应的异质性需要个性化风险评估.

研究的目的:

• 开发一种机器学习模型,以识别 AMI-CS 治疗时使用 Impella 与 IABP 治疗时存在不同死亡风险的患者子组.
• 确定与特定患者个人资料死亡风险最大变化相关的临床特征.
• 阐明AMI-CS管理中的治疗效应异质性.

主要方法:

• 利用了来自国家心血管数据登记处的369个站点的15796名患者访问的大队伍.
• 开发了一种基于机器学习的死亡率模型,以分析Impella与IABP的治疗效应.
• 确定了特定的临床子组及其相关的死亡风险变化.

主要成果:

• 与IABP相比,Impella的整体估计过度死亡效应为10.4 ± 0.8%.
• 确定了一个由282名患者组成的子组,在这些患者中,与IABP相比,使用Impella与死亡风险降低有关.
• 这个小组中的患者的特点是年龄较小,静脉压较高,救援皮肤冠状动脉干预率较高,初始肌素水平较高,血红蛋白水平较低.

结论:

• 尽管在AMI-CS中与IABP相比,Impella设备的整体死亡风险更高,但在特定的患者个人资料中显示出潜在的益处.
• 该研究强调了治疗效果的显著异质性,强调了在AMI-CS.中需要个性化的风险分层.
• 机器学习模型可以有效地识别这些细微的治疗效应,指导AMI-CS中机械循环支持的临床决策.