使用机器学习对心源性休克进行早期预测的动力学风险评分
机器学习
2023-03-29 v2 人工智能
摘要
心肌梗死和心力衰竭是影响美国数百万人的主要心血管疾病。发生心源性休克的患者发病率和死亡率最高。早期识别心源性休克至关重要。及时实施治疗措施可防止由心源性休克导致的缺血、低血压和心输出量降低的恶性螺旋。然而，由于医护人员难以处理心脏重症监护室（ICU）中的海量数据且缺乏有效的风险分层工具，心源性休克的早期识别一直具有挑战性。我们开发了一种称为 CShock 的基于深度学习的风险分层工具，用于预测因急性失代偿性心力衰竭和/或心肌梗死入住心脏 ICU 的患者发生心源性休克。为开发和验证 CShock，我们以医师裁定结局标注了心脏 ICU 数据集。CShock 的受试者工作特征曲线下面积（AUROC）达 0.820，大幅优于心源性休克预后成熟风险评分 CardShock（AUROC 0.519）。CShock 在独立患者队列中进行了外部验证，AUROC 达 0.800，证明了其在其他心脏 ICU 中的泛化能力。
引用
@article{arxiv.2303.12888,
title = {A dynamic risk score for early prediction of cardiogenic shock using machine learning},
author = {Yuxuan Hu and Albert Lui and Mark Goldstein and Mukund Sudarshan and Andrea Tinsay and Cindy Tsui and Samuel Maidman and John Medamana and Neil Jethani and Aahlad Puli and Vuthy Nguy and Yindalon Aphinyanaphongs and Nicholas Kiefer and Nathaniel Smilowitz and James Horowitz and Tania Ahuja and Glenn I Fishman and Judith Hochman and Stuart Katz and Samuel Bernard and Rajesh Ranganath},
journal= {arXiv preprint arXiv:2303.12888},
year = {2023}
}