基于急性冠状动脉综合征的脂质相关生物标志物的新型风险评分:多中心机器学习研究

科学领域:

• 生物医学信息学是生物医学信息学.
• 心血管医学 心血管医学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 急性冠状动脉综合征 (ACS) 构成了重大的健康挑战,需要改善住院患者的预测工具.
• 早期识别和风险分层对于及时干预和管理ACS至关重要.
• 当前的预测模型可能会从集成先进的分析技术和新生物标志物的整合中受益.

研究的目的:

• 开发和验证一种可解释的机器学习 (ML) 模型,用于预测住院患者的ACS.
• 在ML模型中,利用与脂质相关的生物标志物作为关键预测因素.
• 评估模型在将患者分成不同的风险类别 (低,中,高) 的能力.

主要方法:

• 在三个医疗中心对10,127名住院患者进行了回顾性分析.
• 开发和比较八个ML模型来预测ACS发生率.
• 随机患者队列划分为培训 (70%) 和测试 (30%) 组用于模型验证.
• 利用光梯度增强机 (LightGBM) 由于其卓越的预测性能.

主要成果:

• 轻GBM模型显示了强大的ACS预测性能,在训练集中曲线下的面积 (AUC) 为0.829.
• 最终的预测模型,结合了包括脂质标记物和临床数据在内的前10个特征,在测试组中实现了0.781的C指数.
• 该模型有效地将患者分为低风险,中风险和高风险组,表明了显著的歧视能力.

结论:

• 使用脂质生物标志物的基于ML的风险分层模型可以有效地预测住院患者的ACS.
• 开发的模型在识别患有ACS高风险的患者方面显示出前景,促进了有针对性的临床管理.
• 与脂质相关的生物标志物,当通过先进的ML技术进行分析时,为心血管风险评估提供了宝贵的见解.