基于多模态机器学习的不稳定型综合征患者 ICA 时机策略早期风险评估模型
机器学习
2024-08-09 v1
摘要
背景：内窥性冠状动脉造影 (ICA) 是诊断心血管疾病（包括不稳定型综合征 (UA)）的金标准。挑战在于确定 UA 患者 ICA 的最佳时机，在高风险患者需要血运重建的同时，又要避免低风险患者的潜在并发症。与 myocardial infarction 不同，UA 没有特定指标如 ST 段偏移或心肌酶异常，使风险评估复杂化。目标：本研究旨在利用机器学习算法提高 UA 患者的早期风险评估。这些算法可能通过分析对人类医生来讲具有挑战性的较不特定指标来识别最受血运重建益处的患者。方法：我们收集了来自上海通用医院的 640 名 UA 患者的数据，包括病史和心电图 (ECG)。使用包括临床风险因素、症状、生物标志物水平和由预训练神经网络提取的 ECG 特征的多模态人口统计特征训练机器学习算法。目标是对患者进行风险分层。此外，我们通过离散化将模型翻译为可用于临床的、可解释的查找表。结果：本研究在风险分层中实现了 的受试者工作曲线下面积 (AUC)，显著高于广泛采用的 GRACE 评分的 。结论：结果表明，机器学习可为 UA 患者提供更优的风险分层。这一改进的分层有助于平衡 ICA 所涉及的风险、成本和并发症，表明其潜在的临床评估实践转变。
引用
@article{arxiv.2408.04276,
title = {Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning},
author = {Candi Zheng and Kun Liu and Yang Wang and Shiyi Chen and Hongli Li},
journal= {arXiv preprint arXiv:2408.04276},
year = {2024}
}