基于机器学习的急性心脏病死亡风险分层,使用临床和设备衍生数据

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 突然心脏死亡 (SCD) 构成了重大的临床挑战.
• 植入式心脏变压器 (ICD) 是SCD的主要预防措施.
• 目前对ICD患者的选择依赖于不完美的风险标志物.

研究的目的:

• 评估机器学习 (ML) 模型在改善SCD风险预测方面的潜力.
• 利用表格式的临床数据,包括心电图和ICD衍生特征,以加强风险评估.
• 通过先进的预测分析来完善患者选择ICD植入.

主要方法:

• 在各种患者数据上训练了各种ML模型 (随机森林,天真贝叶斯,后勤回归,投票分类器).
• 包括人口,临床,实验室和设备衍生变量.
• 优化了F2得分的模型,以优先考虑高风险患者的检测,并使用SHAP值进行解释.

主要成果:

• 随机森林模型获得了最高的F2得分 (0.74) 和高回忆率 (97.30%).
• 投票分类器显示了最好的整体歧视 (AUC-ROC 0.76).
• 机器学习模型成功地确定了已知和潜在的SCD预测因子,证实了它们的预测能力.

结论:

• 机器学习模型显示了改进患者选择ICD的巨大潜力.
• 通过ML模型实现的高回忆率表明,对SCD高风险个体的检测有所改善.
• 基于ML的风险预测为改善心血管保健和减少SCD发病率提供了一个有希望的途径.