基于机器学习的急性冠状动脉综合征(PRAISE)后不良事件预测:一项汇集数据集的建模研究( Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets )

Fabrizio DAscenzo MD a b ODFA B GGA B GM C PMAD P MI I AS F PCL G MF H GQ L

背景目前预测急性冠脉综合征(ACS)后缺血和出血事件的工具对于个体化患者管理策略的准确性仍然不足。我们开发了一个基于机器学习的危险分层模型来预测ACS后的全因死亡、复发性急性心肌梗死和大出血。方法对来自BleeMACS和RENAMI登记表的19 826名成人ACS患者（分为训练队列[80%]和内部验证队列[20%])进行不同机器学习模型的训练，用于预测出院后1年的全因死亡、心肌梗死和大出血（定义为出血学术研究联盟3或5型），其中包括几个大陆的患者。出院时常规评估的25项临床特征被用来通知模型。每个研究结果的最佳模型（赞扬评分）在一个来自随机对照试验和三个前瞻性登记的3444名ACS患者的外部验证队列中进行测试。模型的性能是根据一系列学习指标来评估的，包括接收机工作特性曲线(AUC)下的面积。结果1年全因死亡，内部验证队列的AUC为0·82(95%CI0·78-0·85)，外部验证队列的AUC为0·92(0·90-0·93)；1年心肌梗塞内部验证队列AUC为0·74(0·70-0·78),外部验证队列AUC为0·81(0·76-0·85)；1年大出血的内部验证队列AUC为0·70(0·66-0·75)，外部验证队列AUC为0·86(0·82-0·89)。解释一种基于机器学习的方法来识别ACS后事件的预测因素是可行和有效的。该评分对全因死亡、心肌梗塞和大出血的预测具有准确的鉴别能力，可用于指导临床决策。没有资金。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate