使用机器学习模型进行一线风险分层,以促进对非ST升高心肌梗塞的快速分类

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 及时诊断非ST升高心肌梗塞 (NSTEMI) 是具有挑战性的,因为依赖连续素测试,这可能导致延迟和急诊室过度拥挤.
• 目前NSTEMI的诊断协议通常涉及重复的高灵敏性心脏托洛素 (hs-cTn) 测试,导致延长决策时间和增加紧急情况下的患者数量.

研究的目的:

• 开发和验证机器学习 (ML) 模型,以使用初始常规实验室测试进行NSTEMI早期风险分层.
• 创建基于ML衍生风险得分的临床可操作算法,以支持急诊室快速NSTEMI诊断.
• 评估ML模型的性能与hs-cTn测试单独和与现有的早期诊断协议相结合.

主要方法:

• 对54,636名在台湾各地急诊室接受hs-cTn检测的患者的回顾性分析 (2016年5月至2021年12月).
• 使用人口统计数据和23项常规实验室测试从最初抽取血液的15096名符合条件的患者开发ML模型.
• 对ML模型的内部和外部验证以及对具有定义风险值的决策支持算法的评估.

主要成果:

• 与单独hs-cTn相比,ML模型表现出优异的预测性能,由接收器运行特征曲线下的较高面积证明.
• 决策算法确定了低风险 (<1.8) 和高风险 (≥38.5) NSTEMI患者组,负预测值 (NPV) 为98.8%,正预测值 (PPV) 为78.1%.
• 将ML模型与0小时/1小时算法相结合,使85.3%的患者在1小时内能够安全地进入/退出,达到100%的NPV和84.9%的PPV.

结论:

• 开发的基于机器学习的方法提供了准确的NSTEMI预测,并为紧急护理环境中的快速安全分拣提供了可操作的工具.
• 这种新的策略可以显著改善NSTEMI的早期决策,可能减少急诊室等待时间并改善患者的治疗结果.
• 整合ML与常规实验室测试提供了一个有希望的替代方案或补充目前的串行hs-cTn测试协议NSTEMI诊断.