开发和验证基于机器学习的急性大动脉综合征在急诊室的住院死亡率预测模型

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:

• 急性大动脉综合征 (AAS) 构成在医院死亡的重大风险.
• 在急诊室 (ED) 早期和准确预测死亡率对于及时干预至关重要.
• 现有的预测工具可能缺乏动态ED环境所需的速度或准确性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测急性大动脉综合征 (AAS) 患者在急诊室 (ED) 的住院死亡率.
• 使用关键临床变量推导出简化的ML模型,以提高在快速临床环境中的应用性.
• 评估综合模型和简化模型的预测性能和通用性.

主要方法:

• 一项多中心回顾性队列研究分析了来自三个医院的AAS患者数据.
• 四个ML算法 (逻辑回归,多层感知子,高斯素朴贝叶斯,随机森林) 在34个早期临床变量上受过训练.
• 使用LASSO回归创建了一个简化的模型,其中包含了五个关键变量,以提高ED的实用性.

主要成果:

• 四个ML模型实现了强大的内部验证 (AUC0.85-0.90) 和外部验证 (AUC0.73-0.85).
• 简化的五变量模型显示了可比性能,内部验证AUC为0.71-0.86,外部验证AUC为0.75-0.78.
• 这两种模型类型在不同的医院数据集中都表现出强大的校准和预测稳定性.

结论:

• 机器学习模型可以有效地预测急性大动脉综合征 (AAS) 的住院死亡率.
• 一个简化的模型提供了一个实用的工具,用于在急诊部 (ED) 快速风险分层.
• 这些模型表现出良好的预测性能和通用性,支持其临床应用.