基于机器学习的预测,在STEMI后早期的左心室功能

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:

• 左心室 (LV) 功能和乳酸动态是ST段升高心肌梗塞 (STEMI) 后的关键预后指标.
• 早期识别患有 LV 功能受损或低输血风险的患者对于改善结果至关重要.
• 传统的统计方法在预测这些结果方面存在局限性,通常是由于样本规模小和分类数据.

研究的目的:

• 开发和评估机器学习模型,用于预测STEMI患者的连续左心室喷射分数 (LVEF) 和乳酸水平.
• 为了提高风险分层的准确性超越传统方法,使用常规可用的数据.
• 为此应用评估不同机器学习算法的性能和可解释性.

主要方法:

• 对2132名STEMI患者的回顾性分析,在数据预处理后包括1608人.
• 使用38个人口,临床,程序和实验室变量进行决策树,随机森林和XGBoost回归模型的训练.
• 使用MSE,RMSE,MAE,R2和MAPE等指标评估模型性能,并使用SHAP进行解释性.

主要成果:

• 组合模型,特别是XGBoost,在预测LVEF方面表现出卓越的表现 (R2 = 0.35).
• 乳酸盐预测显示中度准确性 (R2 = 0.42入院,0.47峰值水平).
• 发现的关键预测因素包括心脏性休克,左前下降 (LAD) 罪祸首病变和乳酸水平的峰值.

结论:

• 机器学习可以通过使用常规收集的数据,对STEMI后的乳腺功能和乳酸动态进行个性化预测.
• XGBoost模型显示一致的,临床上有意义的预测性能和通用性.
• 这些ML模型支持在急性心脏病护理环境中早期,数据驱动的风险分层.