通过电子医疗记录开发和验证PCI后冠状动脉疾病患者的运动不耐受性机器学习模型

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:

• 在冠状动脉疾病 (CAD) 患者皮肤穿冠状动脉干预 (PCI) 后,运动不耐受是常见的.
• 这种情况与不良的康复和预后有关.
• 目前还缺乏PCI后运动不耐受性的非运动型预测模型.

研究的目的:

• 开发和验证一个准确的,易于应用的模型来预测PCI后的运动不耐受性.
• 该模型使用电子医疗记录 (EMR) 数据.
• 为了改善早期查和临床干预对受影响的患者.

主要方法:

• 在2020年6月至2024年6月期间,从575名患者中回顾性收集临床数据.
• 使用45个候选变量开发了7个机器学习算法.
• 使用AUC-ROC,AUC-PRC,精度,灵敏度,特异性,PPV,NPV,F1得分,校准图表,Brier得分,HL测试和决策曲线分析来评估模型性能.

主要成果:

• 多层感知子 (MLP) 模型表现出卓越的性能,AUC-ROC为0.911.
• 确定的主要预测因素包括年龄,性别,BMI,吸烟状况,糖尿病,血红蛋白,红细胞计数和静止心率.
• 该模型实现了高精度 (0.87),灵敏度 (0.82),特异性 (0.88),和NPV (0.94).

结论:

• 开发的基于EMR的模型有效地识别了患有PCI后运动不耐受高风险的患者.
• 该工具支持早期查,并促进有针对性的临床干预.
• 该模型被部署为一个交互式基于Web的计算器用于临床使用.