澳大利亚人口皮肤冠状动脉干预后死亡率和住院大出血风险预测建模研究协议:机器学习方法.
Mohammad Rocky Khan Chowdhury1,2, Mamunur Rashid3, Dion Stub1,4
1Department of Epidemiology and Preventive Medicine, School of Public Health and Preventive Medicine, Monash University, Melbourne, VIC 3004, Australia.
Methods and protocols
|December 24, 2025
概括
机器学习模型比回归更准确地预测PCI后的结果,例如死亡率和出血. 这项研究确定了关键预测因素,以创建新的风险评分工具,以便更好地做出临床决策.
科学领域:
- 心血管医学 心血管医学
- 生物统计学 生物统计学
- 医疗保健中的人工智能
背景情况:
- 穿皮冠状动脉干预 (PCI) 是一种常见的手术,具有显著的术后风险.
- 现有的风险预测模型通常依赖于传统的回归,这可能无法完全捕捉复杂的患者数据.
- 对于PCI后的结果,需要更准确,更适应的预测工具.
研究的目的:
- 开发和验证基于机器学习 (ML) 的预测模型,用于30天死亡率,医院内重大出血和PCI后的一年死亡率.
- 通过使用先进的ML技术,识别这些不良结果的关键预测因素.
- 为临床决策支持创建简化,可靠的风险评分模型.
主要方法:
- 来自维多利亚州心脏病结果注册表 (VCOR) (2013-2022) 的大量数据集 (104,665例) 的分析.
- 应用ML算法,Boruta特征选择,缺少数据的多重归算,以及SHapley添加式扩展 (SHAP) 的解释性.
- 采用了10倍交叉验证,适应性合成重新采样用于类不平衡,以及外部验证.
主要成果:
- 确定30天死亡率,住院大出血和PCI后的一年死亡率的有影响力的预测因素.
- 与传统方法相比,开发了经过验证的ML模型,其预测性能优于传统方法.
- 将关键变量转换为简化的数值得分,用于实际的风险评估.
结论:
- 机器学习为预测复杂的PCI后结果提供了一种强大的方法.
- 鉴定的关键预测因素和开发的风险评分模型可以增强临床决策和患者风险分层.
- 这项研究为改善PCI后的患者管理和结果预测提供了基础.
