基于机器学习的心脏再同步治疗患者的死亡率预测
这项研究目标是建立一种基于机器学习(ML)的风险分层系统，从而根据心脏再同步治疗(CRT)患者的植入前参数预测1年、2年、3年、4年和5年全因死亡率。
这项研究目标是建立一种基于机器学习(ML)的风险分层系统，从而根据心脏再同步治疗(CRT)患者的植入前参数预测1年、2年、3年、4年和5年全因死亡率。
使用包含1510例CRT植入患者的回顾性数据库对多个ML模型进行训练，以预测1至5年全因死亡率。选择了33个植入前临床特征来训练模型。在一个包含158例患者的独立队列中，对表现最佳的模型[SEMMELWEIS-CRT评分(对CRT植入患者进行机器学习的个体化死亡风险评估)]和既往评分(西雅图心衰模型、VALID-CRT、EAARN、ScREEN和CRT评分)进行了测试。5年的随访期间，训练队列有805例死亡(53%)，测试队列有80例死亡(51%)。在经过训练的分类模型中，随机森林的表现最佳。对于预测1年、2年、3年、4年和5年死亡率，SEMMELWEIS-CRT评分的受试者操作特征曲线下面积分别为0.768 (95% CI: 0.674–0.861; P<0.001)、0.793(95%CI：0.718-0.867; P<0.001)、0.785(95%CI：0.711-0.859; P<0.001)、0.776(95%CI：0.703-0.849; P<0.001)和0.803(95%CI：0.733-0.872;P <0.001)。该模型的判别能力优于其他评分。
SEMMELWEIS-CRT评分(可在semmelweiscrtscore.com上获得)显示出良好的判别力，可以预测CRT患者的全因死亡率，并且优于现有的风险评分。通过获取预测因子的非线性关联，使用ML方法有助于CRT植入最佳候选者的筛选和预后预测。
相关文章
评论
我要跟帖
