基于现实世界队列的11个机器学习算法的比较研究,用于预测心房动导管切除后的复发风险:一项回顾性研究

科学领域:

• 心脏病学 心脏病学
• 人工智能在医学中的应用
• 生物医学数据科学 生物医学数据科学

背景情况:

• 心房动 (AF) 是全球普遍存在的心律失常症,导管切除是常见的治疗方法.
• 消去后的AF复发仍然是一个挑战,传统的风险得分具有有限的预测准确性.
• 开发先进的预测模型对于管理AF复发至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测导管切除后AF复发.
• 确定与AF复发相关的关键临床和实验室变量.
• 将ML模型的性能与传统风险得分进行比较.

主要方法:

• 分析了一组438名经过导管切除的AF患者.
• 收集了全面的人口,临床,心声和实验室数据.
• 包括随机森林 (RF) 在内的11个ML算法进行了训练和验证;RF在验证集上表现出卓越的性能,AUC为0.925.

主要成果:

• 随机森林 (RF) 模型实现了AF复发的高预测精度 (AUC 0.925).
• 复发的重要预测因素包括酒精消费,纤维素降解产品 (FDP) 和高血压.
• 该模型显示出出色的校准和临床实用性.

结论:

• 一个可解释的ML模型,特别是RF,可以准确地预测AF复发后的AF复发.
• 这种ML工具在预测性能方面超过了传统的风险得分.
• 该模型可以改善患者咨询,后续计划和临床资源分配.