Circulation:采用机器学习预测心肌梗死风险的可能性

2019-09-18 MedSci MedSci原创

目前,心肌肌钙蛋白浓度随患者的年龄、性别和样本时间的变化在诊断方法中尚未得到解释。Than等人计划通过机器学习将这些变量结合起来,以提高患者个体的风险评估。采用机器学习算法(心肌-缺血-损伤-指数[MI3]),将年龄、性别和匹配的心肌肌钙蛋白I浓度综合起来,在3013位患者中进行测试,在7998位疑诊心肌梗死的患者中进行验证。MI3采用梯度增强计算一个值(0-100)来反映个人诊断为1型心肌梗死的

目前,心肌肌钙蛋白浓度随患者的年龄、性别和样本时间的变化在诊断方法中尚未得到解释。Than等人计划通过机器学习将这些变量结合起来,以提高患者个体的风险评估。

采用机器学习算法(心肌-缺血-损伤-指数[MI3]),将年龄、性别和匹配的心肌肌钙蛋白I浓度综合起来,在3013位患者中进行测试,在7998位疑诊心肌梗死的患者中进行验证。MI3采用梯度增强计算一个值(0-100)来反映个人诊断为1型心肌梗死的可能性,并估计该个人的敏感性、阴性预测值、特异性和阳性预测值。

测试队列中有404位(13.4%)患者发生心肌梗死,验证队列中有849位(10.6%)患者发生心肌梗死。在测试队列中,在特性曲线0.963以下,MI3以较高的面积获得较好的标定。在测试队列中,鉴定低风险和高风险患者的MI3阈值分别是1.6和49.7。在验证队列中,69.5%的个体对MI3值<1.6,阴性预测值为99.7%,灵敏度为97.8%;10.6%的个体的MI3值≥49.7,阳性预测值为71.8%,特异性为96.7%。采用这些阈值,MI3的诊断价值高于欧洲心脏病学会0/3小时通路(灵敏度82.5%、特异性92.2%)。

采用机器学习,MI3提供了一种对心肌梗死风险个性化的客观评估,或可用来鉴别可能受益于早期临床决策的低/高风险患者。

原始出处

Martin P. Than, et al.Machine Learning to Predict the Likelihood of Acute Myocardial Infarction.Circulation. 2019;140:899–909

本文系梅斯医学(MedSci)原创编译,转载需授权!

相关资讯

Diabetes Care:使用电子健康记录通过机器学习预测住院低血糖的风险

在预测糖尿病住院患者低血糖的风险方面,先进的机器学习模型优于Logsitic回归模型。应该实时进行此类模型的试验,以评估其在减少住院患者低血糖中的作用。

机器学习:生成COVID-19抗体序列

Lawrence Livermore国家实验室(LLNL)的研究人员通过机器学习已经确定了一套初始的治疗性抗体序列,旨在结合和中和引起COVID-19的病毒(SARS-CoV-2)。

Stroke:缺血性脑卒中后吞咽功能障碍还能恢复吗?

本研究旨在验证脑卒中后吞咽困难远期功能恢复的临床和影像学指标,利用机器学习建立和验证预测模型。

Eur Heart J:基于机器学习的心脏再同步治疗患者的死亡率预测

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。

AASLD年会:新科技!新型机器学习模型可有效预测非酒精性脂肪性肝炎(NASH)发生

非酒精性脂肪性肝炎(NASH)是一种进展性肝脏疾病,最终会发展为终末期肝病。不容乐观的是,当前NASH的知晓率非常低。如何早期发现NASH高危人群,实现NASH的早发现和早干预,无疑是临床实践所面临的一个现实问题。在近日召开的第70届美国肝病研究学会(AASLD)年会上发布的一项最新研究显示,一种新型机器学习方法在预测NASH概率方面具有较高的敏感性。研究者德国美因茨大学医学中心Jorn M. J