Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Học máy trong việc dự đoán tỷ lệ tử vong nội viện ở bệnh nhân nhồi máu cơ tim ST-chênh lên có tiểu đường type 2
Tóm tắt
Trong thời đại ngày càng gia tăng nhu cầu về y học chính xác, học máy đã cho thấy tiềm năng trong việc đưa ra dự đoán chính xác về kết quả nhồi máu cơ tim cấp tính. Đánh giá chính xác các bệnh nhân có nguy cơ cao là một yếu tố quan trọng trong thực hành lâm sàng. Tiểu đường loại 2 (T2DM) làm rắc rối thêm tình trạng nhồi máu cơ tim ST-chênh lên (STEMI), và hiện tại chưa có phương pháp thực tiễn nào để dự đoán hoặc theo dõi tiên lượng của bệnh nhân. Mục tiêu của nghiên cứu này là so sánh khả năng của các mô hình học máy trong việc dự đoán tỷ lệ tử vong nội viện giữa các bệnh nhân STEMI có T2DM. Chúng tôi đã so sánh sáu mô hình học máy, bao gồm rừng ngẫu nhiên (RF), bộ phân loại CatBoost (CatBoost), naive Bayes (NB), tăng cường gradient cực đoan (XGBoost), bộ phân loại tăng cường gradient (GBC) và hồi quy logistic (LR), với điểm số rủi ro GRACE. Từ tháng 1 năm 2016 đến tháng 1 năm 2020, chúng tôi đã tuyển mộ bệnh nhân trên 18 tuổi có STEMI và T2DM tại Bệnh viện liên kết của Đại học Y Zunyi. Tổng cộng, 438 bệnh nhân đã được tham gia nghiên cứu [tuổi trung vị, 62 tuổi; nam giới, 312 (71%); tử vong, 42 (9,5%)]. Tất cả các bệnh nhân đã trải qua can thiệp động mạch vành qua da khẩn cấp (PCI), và 306 bệnh nhân STEMI đã trải qua PCI được tuyển mộ làm nhóm huấn luyện. Sáu thuật toán học máy đã được sử dụng để thiết lập mô hình rủi ro phù hợp nhất. Thêm 132 bệnh nhân được tuyển mộ làm nhóm kiểm tra để xác thực mô hình. Khả năng dự đoán tỷ lệ tử vong nội viện của điểm số GRACE và sáu mô hình thuật toán đã được đánh giá. Bảy mô hình, bao gồm mô hình rủi ro GRACE, cho thấy diện tích dưới đường cong (AUC) từ 0,73 đến 0,91. Trong tất cả các mô hình, với độ chính xác 0,93, AUC 0,92, độ chính xác 0,79 và giá trị F1 là 0,57, mô hình CatBoost thể hiện hiệu suất dự đoán tốt nhất. Một thuật toán học máy, chẳng hạn như mô hình CatBoost, có thể chứng minh có lợi về mặt lâm sàng và hỗ trợ các bác sĩ trong việc điều chỉnh quản lý chính xác cho bệnh nhân STEMI và dự đoán tỷ lệ tử vong nội viện phức tạp bởi T2DM.
Từ khóa
#học máy #nhồi máu cơ tim #tỷ lệ tử vong nội viện #tiểu đường type 2 #dự đoán y học chính xácTài liệu tham khảo
Ralapanawa U, Sivakanesan R. Epidemiology and the Magnitude of Coronary Artery Disease and Acute Coronary Syndrome: a narrative review. J Epidemiol Glob Health. 2021;11(2):169–77.
Kasprzak D, Rzezniczak J, Ganowicz T, Luczak T, Slomczynski M, Hiczkiewicz J, et al. A review of Acute Coronary Syndrome and its potential impact on cognitive function. Glob Heart. 2021;16(1):53.
Chapman AR, Shah A, Lee KK, Anand A, Francis O, Adamson P, et al. Long-term outcomes in patients with type 2 Myocardial Infarction and myocardial Injury. Circulation. 2018;137(12):1236–45.
Sanchis-Gomar F, Perez-Quilis C, Leischik R, Lucia A. Epidemiology of coronary Heart Disease and acute coronary syndrome. Ann Transl Med. 2016;4(13):256.
Bai Z, Ma Y, Shi Z, Li T, Hu S, Shi B. Nomogram for the prediction of Intrahospital Mortality Risk of patients with ST-Segment Elevation Myocardial Infarction complicated with hyperuricemia: a Multicenter Retrospective Study. THER CLIN RISK MANAG. 2021;17:863–75.
Lacey B, Herrington WG, Preiss D, Lewington S, Armitage J. The role of emerging risk factors in Cardiovascular outcomes. CURR ATHEROSCLER REP. 2017;19(6):28.
Rawshani A, Rawshani A, Franzen S, Eliasson B, Svensson AM, Miftaraj M, et al. Mortality and Cardiovascular Disease in Type 1 and type 2 Diabetes. N Engl J Med. 2017;376(15):1407–18.
Chowdhury M, Nevitt S, Eleftheriadou A, Kanagala P, Esa H, Cuthbertson DJ et al. Cardiac autonomic neuropathy and risk of Cardiovascular Disease and mortality in type 1 and type 2 Diabetes: a meta-analysis. BMJ Open Diabetes Res Care 2021, 9(2).
Tancredi M, Rosengren A, Svensson AM, Kosiborod M, Pivodic A, Gudbjornsdottir S, et al. Excess mortality among persons with type 2 Diabetes. N Engl J Med. 2015;373(18):1720–32.
Norhammar A, Mellbin L, Cosentino F, Diabetes. Prevalence, prognosis and management of a potent cardiovascular risk factor. EUR J PREV CARDIOL. 2017;24(3suppl):52–60.
Hofmann R, James SK, Jernberg T, Lindahl B, Erlinge D, Witt N, et al. Oxygen therapy in suspected Acute Myocardial Infarction. N Engl J Med. 2017;377(13):1240–9.
Yanqiao L, Shen L, Yutong M, Linghong S, Ben H. Comparison of GRACE and TIMI risk scores in the prediction of in-hospital and long-term outcomes among east Asian non-ST-elevation Myocardial Infarction patients. BMC Cardiovasc Disord. 2022;22(1):4.
Torralba F, Navarro A, la Hoz JC, Ortiz C, Botero A, Alarcon F, et al. HEART, TIMI, and GRACE scores for prediction of 30-Day major adverse Cardiovascular events in the era of high-sensitivity troponin. ARQ BRAS CARDIOL. 2020;114(5):795–802.
Bai Z, Lu J, Li T, Ma Y, Liu Z, Zhao R et al. Clinical Feature-Based Machine Learning Model for 1-Year Mortality Risk Prediction of ST-Segment Elevation Myocardial Infarction in Patients with Hyperuricemia: A Retrospective Study. Comput Math Methods Med 2021, 2021: 7252280.
Bai Z, Hu S, Wang Y, Deng W, Gu N, Zhao R, et al. Development of a machine learning model to predict the risk of late cardiogenic shock in patients with ST-segment elevation Myocardial Infarction. Ann Transl Med. 2021;9(14):1162.
Ibanez B, James S, Agewall S, Antunes MJ, Bucciarelli-Ducci C, Bueno H, et al. 2017 ESC guidelines for the management of acute Myocardial Infarction in patients presenting with ST-segment elevation: the Task Force for the management of acute Myocardial Infarction in patients presenting with ST-segment elevation of the European Society of Cardiology (ESC). EUR HEART J. 2018;39(2):119–77.
Ding Q, Spatz ES, Lipska KJ, Lin H, Spertus JA, Dreyer RP, et al. Newly diagnosed Diabetes and outcomes after acute Myocardial Infarction in young adults. Heart. 2021;107(8):657–66.
Hulsen T, Jamuar SS, Moody AR, Karnes JH, Varga O, Hedensted S, et al. From Big Data to Precision Medicine. Front Med (Lausanne). 2019;6:34.
Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery. LANCET ONCOL. 2019;20(5):e262–73.
Hassager C, Nagao K, Hildick-Smith D. Out-of-hospital Cardiac Arrest: in-hospital intervention strategies. Lancet. 2018;391(10124):989–98.
Idakwo G, Thangapandian S, Luttrell J, Li Y, Wang N, Zhou Z, et al. Structure-activity relationship-based chemical classification of highly imbalanced Tox21 datasets. J Cheminform. 2020;12(1):66.
Al-Zaiti SS, Martin-Gill C, Zegre-Hemsey JK, Bouzid Z, Faramand Z, Alrawashdeh MO, et al. Machine learning for ECG diagnosis and risk stratification of occlusion Myocardial Infarction. NAT MED. 2023;29(7):1804–13.
Liang J, Zhang Z. Predictors of in-hospital Heart Failure in patients with acute anterior wall ST-segment elevation Myocardial Infarction. INT J CARDIOL. 2023;375:104–9.
Tofighi S, Poorhosseini H, Jenab Y, Alidoosti M, Sadeghian M, Mehrani M, et al. Comparison of machine-learning models for the prediction of 1-year adverse outcomes of patients undergoing primary percutaneous coronary intervention for acute ST-elevation Myocardial Infarction. CLIN CARDIOL; 2023.
Avvisato R, Forzano I, Varzideh F, Mone P, Santulli G. A machine learning model identifies a functional connectome signature that predicts blood pressure levels: imaging insights from a large population of 35 882 patients. CARDIOVASC RES. 2023;119(7):1458–60.
Li AX, Yan K, Chandramouli LL, Hu C, Jin R. Machine learning-based prediction of infarct size in patients with ST-segment elevation Myocardial Infarction: a multi-center study. INT J CARDIOL. 2023;375:131–41.