开发一种长期存活预测模型,用于治疗侵袭性冠状动脉血管造影的患者,使用基于集体的机器学习进行时间到事件分析

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 生存分析的分析.

背景情况:

• 对于接受侵入性冠状动脉血管造影 (ICA) 的高风险患者,准确的预后预测对于有效的临床决策至关重要.
• 目前的机器学习 (ML) 方法在预测长期时间到事件生存结果方面存在局限性.

研究的目的:

• 开发和验证一个集体ML模型,利用生存分析来预测ICA后患者的长期结果.
• 通过考虑时间变化的预测因素影响,提高生存预测的准确性.

主要方法:

• 在2008年至2020年期间接受ICA的9517名患者的回顾性分析.
• 使用8个算法和80个变量来预测全因死亡率的集合ML模型的开发.
• 使用时间依赖的C指数和Brier分数进行绩效评估,并进行变量重要性分析.

主要成果:

• 生存毛毯模型表现出卓越的性能,具有高时间依赖的C指数 (30天后0.920,365天后0.897).
• 与ICA相关的特征最初对死亡率的影响最大,随着时间的推移,实验室结果和患者特征变得越来越突出.
• 关键预测因素包括导管状态,C反应蛋白,吸烟和慢性病.

结论:

• 基于生存分析的整体ML模型,如Survival Quilts,显著提高了生存预测的准确性.
• 这些模型有效地捕捉了关键预测因子的时间变化的影响,为个性化心血管护理铺平了道路.
• 这些发现为在接受ICA的患者中进行更精确的预后评估提供了坚实的基础.