利用机器学习进行心声回声分析,以区分阻塞性和非阻塞性冠状动脉疾病

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:

• 在非阻塞性冠状动脉疾病 (CAD) 中,心声预测的研究不足.
• 在阻塞性和非阻塞性CAD之间,结果显著不同.
• 本研究解决了对这两种CAD类型的预测模型的需求.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测阻塞性和非阻塞性CAD患者的临床结果.
• 确定每个CAD类型特定的重点心声回声学预后指标.
• 为了比较不同ML分类器的性能,用于CAD预测.

主要方法:

• 来自接受冠状动脉血管造影的患者的回声心脏图数据的前性分析.
• 应用ML算法来提取特征和六个分类器来评估预后准确性 (AUROC).
• 使用SHapley添加式扩展 (SHAP) 进行特征重要性和外部验证.

主要成果:

• 一组1439名患者 (33.8%非阻塞性CAD) 在45个月内经历了319次不良事件.
• 梯度增强模型总体实现了0.822的AUROC.
• 具体模型显示出高性能:非阻塞性脊回归 (AUROC 0.856) 和阻塞性CAD的二次差异分析 (AUROC 0.794).
• 全球纵向应变 (GLS) 和心肌工作参数是关键预测因素.

结论:

• 机器学习模型准确地预测了CAD患者的不良结果.
• 确定了针对阻塞性和非阻塞性心脏病特有的关键回声心脏学变量.
• 这种方法促进了改善CAD预后和风险分层.