近年来，随着医疗大数据的出现，机器学习方法迅速提高了模型的预测性能。在以往的研究中，机器学习显示出比传统预测模型更好的预测价值。然而，此前尚无使用机器学习方法建立心梗患者院内出血风险模型的研究报告。
近期，中国医学科学院阜外医院杨跃进、袁晋青、赵雪燕团队发表了文章，通过人工智能机器学习评分方法，建立了预测行介入治疗的心梗患者的院内出血风险模型。
作者表示，研究使用CAMI数据库，首次使用机器学习方法为介入术后的心梗患者建立了院内出血模型，且优于目前国外指南推荐的传统出血模型，有助于识别出血高危患者，未来或可进一步减少中国急性心肌梗死人群的出血风险。
研究采用中国急性心肌梗死（CAMI）多中心登记处的数据。最后16,736名接受介入手术的心梗患者最终被纳入研究，队列被随机分为推导组（50%）和验证组（50%）。应用了先进的机器学习算法XGBoost，从98个候选变量中自动筛选有价值变量。采用BARC3, 5定义作为临床出血终点。
结果45个变量被自动选择并用于构建预测模型。开发的XGBoost模型显示了理想的预测结果。推导队列预测院内出血事件的AUROC可达0.941（95% CI：0.909-0.973）；验证队列的AUROC为0.837（95% CI： 0.772-0.903），并且验证队列优于传统的CRUSADE评分（AUROC: 0.741；95% CI：0.654-0.828，p < 0.001）和ACUITY-HORIZONS评分（AUROC：0.731；95% CI：0.641-0.820，P < 0.001）。
研究者还开发了一个包含12个最重要变量的在线计算器（http://101.89.95.81:8260/），方便临床使用，12个变量的模型AUROC仍然达到了0.809。
对于急性心肌梗死（AMI）经皮冠状动脉介入治疗（PCI）术后的患者，双重抗血小板是减少血栓事件的关键治疗。然而，双抗也是一把双刃剑，一旦发生严重出血，死亡的风险会明显增加。因此，早期识别高出血风险的患者非常重要。目前指南推荐使用CRUSADE和ACUITY-HORIZONS评分对于急性冠脉综合征患者进行出血风险评估。但由于这些评分均采用传统的统计学方法，并从有限的临床参数中得出，其预测价值相对有限。
来源：Zhao X, Wang J, Yang J, et al. Machine learning for prediction of bleeding in acute myocardial infarction patients after percutaneous coronary intervention. Therapeutic Advances in Chronic Disease. 2023;14. doi:10.1177/20406223231158561
转载：请标明“中国循环杂志”
关于非法网站冒用我刊名义进行征稿的特别提醒
近期我们发现一些网站冒用“中国循环杂志”名义征稿，并承诺“职称论文权威快速发表”。
我刊郑重提醒各位作者，向《中国循环杂志》投稿，一定要登录中国循环杂志官方网站：
http://www.chinacirculation.org
进入“作者投稿”，在“作者投稿管理平台”中投稿。
本刊联系电话：010-68331974
http://chinacirculation.org/WX/home/zxdy
本文来自投稿，不代表长河网立场,转载请注明出处： http://www.changhe99.com/a/Jb60QvY4rl.html
