利用收缩时间间期和常规收集的临床数据通过机器学习预测急性心肌梗死后的长期死亡率
摘要
精确估计心脏病患者当前和未来的合并症是优先考虑持续生理监测和新疗法的重要因素。ML 模型在心脏病患者的短期死亡率预测中表现出令人满意的性能，但其在长期预测中的效用有限。本研究旨在调查基于树的 ML 模型在长期死亡率预测中的表现，以及两种最近引入的生物标志物对长期死亡率的影响。本研究利用了中国台湾卫生福利部 CCHIA 的公开数据。医疗记录用于收集人口统计学和临床数据，包括年龄、性别、BMI、经皮冠状动脉介入治疗（PCI）状态，以及高血压、血脂异常、ST 段抬高型心肌梗死（STEMI）和非 STEMI 等合并症。使用医疗和人口统计学记录以及从 139 名急性心肌梗死患者收集的两种最近引入的生物标志物——肱动脉射血前期和肱动脉射血时间，我们研究了先进的集成基于树的 ML 算法（随机森林、AdaBoost 和 XGBoost）在预测 14 年内全因死亡率方面的表现。与基线 LR 相比，所开发的 ML 模型取得了显著更好的性能（C-Statistic，随机森林为 0.80，AdaBoost 为 0.79，XGBoost 为 0.78，而 LR 为 0.77）（P-RF<0.001，PAdaBoost<0.001，PXGBoost<0.05）。将 bPEP 和 bET 添加到我们的特征集中显著提高了算法的性能，导致 C-Statistic 绝对值增加高达 0.03（C-Statistic，随机森林为 0.83，AdaBoost 为 0.82，XGBoost 为 0.80，而 LR 为 0.74）（P-RF<0.001，PAdaBoost<0.001，PXGBoost<0.05）。这一进展可能有助于更好地对高危个体进行优先治疗。
引用
@article{arxiv.2403.01533,
title = {Machine learning predicts long-term mortality after acute myocardial infarction using systolic time intervals and routinely collected clinical data},
author = {Bijan Roudini and Boshra Khajehpiri and Hamid Abrishami Moghaddam and Mohamad Forouzanfar},
journal= {arXiv preprint arXiv:2403.01533},
year = {2024}
}
备注
Accepted for publication in "Intelligent Medicine"