机器学习预测模型的开发和验证,用于在经过PCI或CABG的患者中进行一个月的复血管化后心痛

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 预测分析是一种预测分析.

背景情况:

• 在冠状动脉再血管化 (PCI/CABG) 后的复发性心痛会带来临床挑战,并增加医疗保健成本.
• 现有的风险工具在预测短期复发时的准确性有限.
• 复血管化后心痛 (PRA) 显著影响患者的生活质量.

研究的目的:

• 开发和验证用于预测PRA的机器学习 (ML) 模型.
• 确定与PRA风险相关的关键临床因素.
• 改善在接受冠状动脉再血管化的患者早期风险分层.

主要方法:

• 利用了来自中国临床中心 (2016-2018) 衍生队列中的626名患者和外部验证队列中的127名患者的数据.
• 采用Boruta算法进行特征选择,并训练了8个ML模型,包括随机森林 (RF).
• 内部和外部使用AUC,精度,灵敏度和特异性等指标验证模型; SHAP值评估可解释性.

主要成果:

• 博鲁塔算法确定了六个关键预测因子:NYHA类,心脏热素T (cTnT),前血时间 (PT),抑郁症严重程度,腹周和腹压 (DBP).
• 随机森林 (RF) 模型表现出卓越的性能,AUC为0.90 (内部验证) 和0.87 (外部验证).
• SHAP分析证实,较高的NYHA类,升高的cTnT和抑郁症严重程度是PRA风险的显著积极预测因素.

结论:

• 开发的RF模型为早期PRA风险分层提供了一个强大的和可解释的工具.
• 该模型整合了心脏,静血,心理和代谢因素,以进行全面的风险评估.
• 建议进行进一步的前性,多民族验证,以提高预测模型的通用性.