这篇文章需要订阅查看全文。如果你有一个订阅你可以用下面的登录表单查看文章。这篇文章也可以购买。
文摘
背景和目标机器学习技术识别隐藏的冠状动脉疾病(CAD)可能是有用的。我们开发和验证机器学习模型预测隐藏CAD和评估患者急性缺血性中风患者的长期结果。
方法经由冠状动脉CT对患者进行没有已知CAD的历史。主要结果被定义为有任何程度的CAD和有阻塞性CAD(狭窄≥50%)。人口统计变量、风险因素、实验室结果、试验组织10172年急性中风治疗分类、NIH卒中量表得分,血压,和颈动脉狭窄是用于开发和验证机器学习模型预测CAD。接受者操作特征曲线下面积(AUC)性能分析计算,并进行kaplan - meier和Cox生存分析的长期结果。主要不良心血管事件(锤)被定义为缺血性中风、心肌梗死、不稳定心绞痛,紧急冠状血管再生,和心血管死亡率。
结果总体而言,1710名患者包括为训练数据集和验证集的348名患者。一个极端的梯度增加模型是预测任何程度的CAD开发的,这显示了AUC为0.763 (95% CI 0.711 - -0.814)验证。逻辑回归模型用来预测阻塞性CAD, AUC为0.714 (95% CI 0.692 - -0.799)。在第一个5年的随访,钉头槌发生更频繁地与CAD的预测(p= 0.022)或阻塞性CAD (p< 0.001)。Cox比例分析表明,梅斯的风险比为1.5 (95% CI 1.1 - -2.2;p= 0.016)任何CAD的预测,而这是1.9 (95% CI 1.3 - -2.6;p为阻塞性CAD < 0.001)。
讨论我们证明了机器学习可以帮助识别隐藏的CAD在急性缺血性中风患者。长期的结果也与预测结果。
证据的分类本研究二类提供证据证明在急性缺血性中风患者冠心病危险因素,但没有已知的历史CAD、机器学习模型预测CAD在经由冠状动脉CT的AUC 0.763 (95% CI 0.711 - -0.814)。
术语表
- AUC=
- 接受者操作特征曲线下的面积;
- 计算机辅助设计=
- 冠状动脉疾病;
- 高密度脂蛋白=
- 高密度脂蛋白;
- 低密度脂蛋白=
- 低密度脂蛋白;
- 梅斯=
- 主要不良心血管事件;
- 多层螺旋ct=
- 经由冠状动脉CT;
- 署=
- 国立卫生研究院的中风尺度;
- 烤面包=
- 审判组织10172年急性中风的治疗;
- XGBoost=
- 极端的梯度增加
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
提交和外部同行评议。worral处理编辑被布拉德,医学博士,硕士,FAAN,穆美利奴,医学博士,硕士,FAAN。
编辑、页面13
类的证据:NPub.org/coe
CME过程:NPub.org/cmelist
- 收到了2021年10月11日。
- 接受的最终形式2022年3月2日。
- ©2022美国神经病学学会的首页
