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！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#机器#
36