针对冠状动脉疾病患者的综合机器学习支持的结果预测,使用多中心患者数据.
Emma Bogner1, Bryan Har2, Bing Li3
1Data Intelligence for Health Lab, Cumming School of Medicine, University of Calgary, Calgary, Alberta, Canada; Department of Cardiac Sciences, Cumming School of Medicine, University of Calgary, Calgary, Alberta, Canada.
机器学习模型使用广泛的数据和外部验证预测冠状动脉疾病 (CAD) 患者的结果. 这些模型提供了强大的,个性化的预后,以帮助治疗决策.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 准确预测患者的结果对于冠状动脉疾病 (CAD) 治疗决策至关重要.
- 之前用于CAD预测的机器学习 (ML) 模型受限于小队列,受限功能和内部验证.
- 这项研究旨在开发和外部验证ML模型,使用大规模的多中心数据来对阻塞性CAD患者进行验证.
研究的目的:
- 开发和外部验证机器学习模型,用于预测阻塞性冠状动脉疾病 (CAD) 患者的短期和长期结果.
- 评估传统的ML模型和基于变压器的表式基础模型 (TabPFN) 的性能.
- 评估使用有限的血管学前数据进行实时预测的可行性.
主要方法:
- 在阿尔伯塔省的三个医院中利用了来自接受冠状动脉血管造影 (2009-2019) 的患者12,000多个特征的大数据集.
- 采用广泛的机器学习框架,包括传统模型和TabPFN模型,在多个时间点 (90天至5年) 预测全因死亡率和主要心血管不良事件 (MACE).
- 进行了二次分析,使用常见的血管学前数据的减少特征集来评估实时预测可行性.
主要成果:
- 包括44462次导管治疗 (38767名患者) 的数据.
- 外部验证显示,最佳模型 (主要是TabPFNs) 的接收器运行特征曲线 (AUC) 下的中间面积为0.796-0.845的死亡率和0.694-0.755的MACE.
- 一个最小的血管学前特征集实现了略微减少但仍然合理的预测性能.
结论:
- 大样本大小,广泛的功能,外部验证和变压器架构产生了具有强大的预测性能的个性化模型.
- 开发的模型表明,通过准确的预后,有可能改善CAD的治疗决策.
- 外部验证证实了阻塞性CAD患者预测模型的概括性和可靠性.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
相关概念视频
Coronary Artery Disease V: Interprofessional Care
Cardiomyopathy III: Hypertrophic Cardiomyopathy
Coronary Artery Disease I: Introduction
Cardiomyopathy V: Interprofessional Care
Coronary Artery Disease IV: Preventive Measures
