文章文本

機器學習算法可以為非ST段抬高型心肌梗死的診斷提供幫助
  1. 連琴1.,
  2. 全旗2.,
  3. 艾尼瓦爾·艾克利耶1.,
  4. 侯文清2.,
  5. 常心佐2.,
  6. 香馬1.
  1. 1.心髒科,新疆醫科大學附屬第一醫院,烏魯木齊,新疆中國
  2. 2.信息科學與技術學院,石河子大學,石河子,新疆中國
  1. 通信給新疆醫科大學附屬第一醫院馬翔醫生,中國烏魯木齊830054;maxiangxj{at}是的。網

摘要

介紹我們的目的是使用構建的機器學習(ML)模型作為輔助診斷工具,以提高非ST段抬高心肌梗死(NSTEMI)的診斷準確性。

材料和方法本回顧性研究共納入2878例患者,包括1409例NSTEMI患者和1469例不穩定型心絞痛患者。根據患者的臨床和生化特征構建初始屬性集。SelectKBest算法用於確定最重要的特征。采用特征工程方法創建新的強相關特征,以訓練ML模型,並獲得有希望的結果。在實驗數據集的基礎上,構建了極端梯度推進、支持向量機、隨機森林、樸素貝葉斯、梯度推進機和logistic回歸的ML模型。通過測試集數據對各模型進行了驗證,並對各模型的診斷性能進行了綜合評價。

後果基於訓練集的六個ML模型在NSTEMI診斷中都起到了輔助作用。盡管所有用於比較的模型表現出差異,但極端梯度增強ML模型在NSTEMI的準確率(0.95±0.014)、準確率(0.94±0.011)、召回率(0.98±0.003)和F-1評分(0.96±0.007)方麵表現最好。

結論基於臨床數據構建的ML模型可以作為輔助工具來提高NSTEMI診斷的準確性。根據我們的綜合評估,極端梯度推進模型的性能最好。

  • 心肌梗死
  • 冠心病
  • 心髒病學

數據可用性聲明

如有合理要求,可提供數據。不適用。

http://creativecommons.org/licenses/by-nc/4.0/

這是一篇根據知識共享署名非商業(CC BY-NC 4.0)許可證發行的開放獲取文章,該許可證允許其他人以非商業方式發行、混合、改編、構建本作品,並以不同的條款授權其衍生作品,前提是正確引用了原作品,給予適當的信用,指出所做的任何更改,並且使用是非商業性的。見:http://creativecommons.org/licenses/by-nc/4.0/.

來自Altmetric的統計數據。通用域名格式

介紹

急性冠狀動脈綜合征(ACS)是一種常見的心血管疾病,並發症多,死亡率高,1.近年來,非ST段抬高型急性冠脈綜合征(NSTE-ACS)的發病率逐漸增加。2–5NSTE-ACS的高發病率和死亡率6 7因此,在疾病的早期進行準確診斷非常重要。盡管胸痛治療的進展提高了ST段抬高型心肌梗死(STEMI)的住院率和死亡率,8.NSTE-ACS患者住院的比例有所增加。據我們所知,心電圖的不可區分的非典型特征可能會導致NSTEMI和不穩定型心絞痛(UA)的診斷準確性降低。1 9心肌損傷標誌物的非特異性變化提供的信息10 11也可能影響治療決定。12機器學習作為人工智能研究的一個領域,近年來得到了廣泛的應用。多項研究表明,ML算法在心血管疾病風險預測方麵具有很高的性能,13成像分析14和診斷。15ML模型在數據處理方麵的高效性使其可以作為NSTEMI的輔助診斷工具。適當的最大似然算法有望提高診斷的準確性和臨床實踐的效率,並為醫生做出治療決策提供信息。16 17在本研究中,我們基於來自兩個醫療中心的NSTEMI和UA患者的臨床數據構建了六個ML模型,並對每個模型的診斷性能進行了綜合評估。本研究為ML診斷模型在NSTE-ACS治療中的應用提供了新的線索。

材料和方法

參與者

本研究的臨床數據來自新疆醫科大學第一附屬醫院和石河子大學醫學院第一附屬醫院的胸痛中心數據庫。記錄了2017年1月至2019年12月診斷為NSTE-ACS的2878例患者的臨床數據,包括1409例NSTEMI患者和1469例UA患者(圖1A).數據庫中共包括56個臨床和實驗室特征,由新疆醫科大學研究團隊使用雙盲方法手動標記。將數據庫中的原始多模態數據集成到經驗證的一維結構數據中,構建初始數據集(圖1B).

圖1

臨床特征篩選和實驗數據集分割。(A) 本研究中的實驗流程圖。(B) 實驗數據集構建流程圖。(C) 比較三種機器學習算法在特征篩選上花費的時間。(D) 實驗數據集分割過程示意圖。急性冠脈綜合征;GBM,梯度增壓機;LR,logistic回歸;注意,天真的貝葉斯;NSTEMI,非ST段抬高心肌梗死;隨機森林;支持向量機;UA,不穩定型心絞痛;XGBoost,極端梯度提升。

臨床數據的質量控製

本研究收集的臨床數據已在中國胸痛中心數據報告平台上報告。通過設計數據收集表、簡明的數據定義、對臨床現場的數據輸入人員進行集中培訓以及在國家數據平台上進行遠程審計,確保了數據質量。根據患者病曆,收集既往病史和家族史。最初的臨床表現、標準12導聯心電圖特征、心肌酶譜、肌鈣蛋白、超聲心動圖和冠狀動脈造影(CAG)也從病曆中係統記錄下來。兩家醫院的醫學檢驗中心已通過ISO15189國際質量體係認證。血液參數由自動血細胞分析儀(日本SYSMEX XN9000;美國貝克曼庫爾特UniCel DxH 800 Coulter)分析,血清生化指標由自動生化分析儀(瑞士羅氏Cobas C701;美國貝克曼庫爾特DxC700AU)分析。CAG和超聲心動圖由具有5年以上工作經驗的心髒病專家進行,結果由三名心血管專家解釋以確認診斷。所有數據均以雙盲方式輸入,以確保準確性。

臨床數據的納入和排除標準

為了獲得最全麵的數據集,所包含的臨床數據符合《2020年ESC急性冠狀動脈綜合征患者無持續性ST段抬高管理指南》的定義和診斷標準。患者的年齡範圍為30-75歲,共納入2878名參與者。

(1) 排除主動脈夾層動脈瘤、氣胸和其他非心源性胸痛患者的臨床資料。(2) 患有以下疾病的患者也被排除在外:肝衰竭、腎衰竭、原發性腫瘤、嚴重感染和懷孕期間的女性患者。(3) 被診斷為肺心病、先天性心髒病、心肌病、嚴重瓣膜性心髒病、感染性心內膜炎和病毒性心肌炎的患者。

初始數據集中臨床數據的預處理

原始數據集包括56個特征屬性,其中30個是一般臨床數據特征項,其餘26個是實驗室檢測結果(表1和表2)。選擇Python中的數據分析包Pandas將原始數據集中的數據讀取為數據幀類型,原始數據集中的字符串和對象類型數據轉換為Int和Float類型,可以在ML操作中操作。對數據集中的異常值進行檢測和過濾,並通過模式、平均值、中值和建模預測來填充缺失值。在提取數據結果標簽、病史特征項和家族史特征項時,執行一次熱編碼,將這些分類變量轉換為可應用於ML算法的數據形式。數據預處理後獲得的實驗數據集用於ML模型的訓練和測試。

表1

臨床基線數據的特征項

表2

實驗室測試結果的特征項目

用ML算法篩選臨床特征項

選擇三種ML算法篩選臨床特征,包括SelectKBest、極端梯度增強(XGBoost)和隨機森林(RF)。SelectKBest算法的原理是從所有特征項中篩選出最佳項,形成一個新的特征數據集,用於分類特征項的篩選。XGBoost算法在數據回歸、數據分類和排序方麵具有優勢,也可以作為一種有效的數據降維算法。18 19與其他算法相比,XGBoost特征選擇算法在缺失數據處理方麵具有優勢。作為傳統算法之一,RF算法具有特征選擇精度高、避免特征項過擬合、適用性廣等優點。因此,選擇XGB回歸器和RF回歸器功能包來完成臨床特征項目的篩選。通過比較三種ML特征篩選算法的性能,選擇最優算法構建實驗數據集。

ML模型的構建

根據分類貢獻的權重和相關係數,對實驗數據集中的臨床特征項進行分類和排序。使用新疆醫科大學第一附屬醫院的臨床數據對ML模型進行訓練和驗證,並使用石河子大學醫學院第一附屬醫院的數據對ML模型進行測試。為了避免所構建模型的欠擬合和過度擬合,選擇了多重交叉驗證方案來構建ML模型。選擇以下六種ML算法進行訓練和參數調整:支持向量機(SVM)、XGBoost、RF、樸素貝葉斯(NB)、邏輯回歸(LR)和梯度增強機(GBM)。選擇混淆矩陣和受試者操作特征(ROC)曲線對上述六種ML模型的分類和診斷結果進行分析和比較。

模型構造的參數設置

Scikit學習工具包中的交叉驗證(k-fold)和網格調整(GridsearchCv)功能用於優化ML模型的分類參數。每種算法的最終參數設置如下:(1)支持向量機:選擇徑向基函數作為支持向量機模型的核函數,將支持向量機模型的懲罰係數設置為8,gamma值設置為0.1;(2) XGBoost模型的構建選擇gbtree參數,並將模型的學習率設置為0.1,n_esimators設置為160,max_deptch設置為5,gamma設置為0.4;(3) RF模型的n_esimators參數設置為160,max_features參數設置為5;(4) 注:選擇多項式模型,並將其參數設置為默認值;(5) LR:模型懲罰項設置為L2,采用ovr分類法;(6) GBM:n_esimators的值設置為100,學習率參數設置為0.1,最大深度參數設置為5。

評估模型的綜合性能

以準確率、準確率、召回率和F-1評分作為評價ML模型診斷性能的指標。用混淆矩陣比較各模型的診斷準確率,用ROC曲線麵積進行模型間比較。精確回憶曲線麵積(PRC)用於比較分類中每個模型的準確性。F-measure被用作精確性和召回率的調和平均值(公式1),當公式1中的a=1時,F-measure演變為F-1(公式2)。由於精度和召回率是一對相互矛盾的值,F-1分數通常被用作衡量分類器算法整體性能的評估標準。

嵌入圖像 (1)

嵌入圖像 (2)

統計分析

ML模型由Python 3.6構建。Python“pandas”庫中的“mean function”用於測量數據的平均統計。測量數據的t檢驗和方差分析由熊貓圖書館的std函數完成,組間比較采用連續變量的獨立t檢驗。定量數據以頻率和百分比表示,並選擇SciPy庫中的統計函數來完成χ2.測試不同組之間的比較。ROC曲線顯示了敏感性和特異性之間的相關性。通過準確度、精密度、召回率和F-1評分對各模型進行綜合評價。通過SciPy library的統計檢驗函數計算p值,雙尾p<0.05被認為表明有統計學意義的差異。

後果

三種ML算法在臨床特征篩查中的性能比較

基於初始數據集,選擇了三種不同類型的ML算法來篩查臨床特征,包括RF、SelectKBest和XGBoost。每個算法的程序運行五次,每個算法完成特征篩選所用時間的平均值用於性能比較。結果表明,三種算法所花費的時間為2.09±0.14 s、 0.51±0.07 s和1.85±0.08 s、 分別(圖1C).與其他兩種算法相比,SelectKBest所花費的時間有顯著差異(95% CI,p<0.01)。根據ML算法的性能以及所選特征項與臨床實踐的一致性,最終選擇SelectKBest算法,根據分類權重和相關係數篩選特征。通過SelectKBest算法選擇31個維度特征項,並建立實驗數據集。實驗數據集中包括359條NSTEMI數據和342條UA數據。以8:2的比例劃分實驗數據集後,359條數據用於ML模型的訓練和驗證,342條數據用於測試(圖2D).

圖2

實驗數據集中臨床基線數據分布示意圖(黃色:不穩定型心絞痛(UA)患者);綠色:非ST段抬高心肌梗死(NSTEMI)患者。(A) 實驗數據集中UA和NSTEMI患者年齡分布的示意圖。(B) 實驗數據集中NSTEMI和UA患者的年齡分布按性別劃分(1=男性,2=女性)。(C) 實驗數據集中高血壓患者分布示意圖。(D) UA和NSTEMI患者首次就診時心絞痛的頻率分布示意圖(0=UA,1=NSTEMI)。

實驗數據集中臨床數據的基線特征

在訓練集和測試集之間選擇臨床特征項目的過程中沒有數據丟失。培訓組包括476名患者(95%) CI(61.1±3.52歲),其中394例(92.55%)經CAG診斷為心肌梗死。共225名患者(95% CI值為60.7±3.37歲),其中209例(92.9%)經CAG診斷為心肌梗死。這兩個數據集中患者的年齡分布如所示圖2A,按性別劃分的年齡分布如所示圖2B兩組數據在冠心病家族史、冠心病史、糖尿病史、血脂異常和吸煙史(95%)方麵無顯著差異 CI p分別為0.37、0.43、0.24、0.39和0.15)。在兩組數據中,從症狀出現到首次醫療接觸(S2FMC)的時間少於3小時的患者比例沒有顯著差異(95% CI,p=0.26)。根據心肌梗死溶栓評分,兩個數據集中的患者進行分層,不同風險患者的比例沒有顯著差異(95% CI高風險,p=0.46;中等風險,p=0.23;低風險,p=0.18)。然而,這兩個數據集中高血壓患者的比例存在顯著差異(95% 置信區間p=0.02)。在這兩個數據集中,按心肌肌鈣蛋白T(cTnT)水平劃分的高血壓患者分布如所示圖2C.兩組數據中心髒功能Ⅰ級和Ⅱ級患者的比例有顯著差異(95% CIⅠ級,p=0.01;二級,p=0.02)(表3).超聲心動圖結果中局部室壁運動異常的比例和S2FMC的比例≤3. 兩組數據的小時數沒有顯著差異。根據就診前心絞痛的發生次數,圖2D顯示了兩個數據集中的年齡分布。

表3

訓練集和測試集臨床基線數據的比較

SelectKBest篩選的臨床項目特征的重要性排序

使用SelectKBest算法篩選初始數據集中的臨床特征項,得到的實驗數據集包括31個特征項。特征篩查結果顯示,臨床症狀、心電圖ST段和cTnT的變化在分割後被納入兩個數據集中的臨床特征項目。這些臨床特征項目可以通過軟件從病曆係統的檢查結果中自動讀取。臨床特征重要性排名如所示圖3A,並使用Shapley值來評估每個特征的貢獻(圖3B)在排名結果中,最重要的貢獻值是cTnT、乳酸脫氫酶、肌酸激酶、心電圖ST段改變(95% CI分別為0.21±0.15、0.11±0.06、0.08±0.005和0.06±0.007)和診斷中使用的其他臨床特征。通過繪製shapely值來評估每個臨床特征的貢獻,所得結果與特征貢獻排序結果一致。

圖3

使用機器學習算法篩選臨床特征的結果。(A) 臨床特征項目重要性排序。(B) 篩選臨床特征的shapely值分布。天冬氨酸轉氨酶;BNP,B型利鈉肽;冠心病;肌酸激酶;CTnT,心肌肌鈣蛋白T;γ-穀氨酰轉移酶;舒張壓;糖尿病;左束支傳導阻滯;乳酸脫氫酶;右束支傳導阻滯;收縮壓;S2FMC,第一次醫療事故的症狀;堿性磷酸酶;單核細胞;淋巴細胞;SHAP,Shapely。

ML模型的一致性和校準

ML模型的學習曲線用於評估模型的性能。該學習曲線用於證明樣本量和診斷準確性之間的關係(圖4A)隨著訓練樣本的逐漸增加,采用XGBoost、GBM、NB和RF算法訓練的模型具有更好的性能,適合於驗證集。驗證集中XGBoost模型的準確性高於其他模型。校準曲線用於描述每個模型進行準確診斷的輸出概率與真實概率之間的一致性(圖4B) 。XGBoost、LR和GBM的診斷一致性優於其他型號。

圖4

機器學習模型的學習曲線和一致性校正曲線。(A) 每個機器學習模型的學習曲線圖。(B) 模型的一致性和校準示意圖。GBM,梯度增壓機;LR,logistic回歸;注意,天真的貝葉斯;隨機森林;支持向量機;XGBoost,極端梯度提升。

各ML模型混淆矩陣的構造

為了展示每種ML算法性能的可視化效果,並比較分類診斷的準確性,本研究利用真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)結果構建混淆矩陣。矩陣構造的原理如所示圖5B,每個ML模型的混淆矩陣圖如所示圖5A.根據混淆矩陣的結果,每個模型都顯示出較高的TP值,表明具有良好的正分類精度。然而,各模型的TN值存在差異,SVM、XGBoost和LR的負分類精度優於其他模型。

圖5

用於評估機器學習模型分類精度的混淆矩陣圖。(A) 每個機器學習模型的混淆矩陣圖。(B) 混亂矩陣中包含的指標。FN,假陰性;FP,假陽性;GBM,梯度增壓機;LR,logistic回歸;注意,天真的貝葉斯;隨機森林;支持向量機;TN,真陰性;TP,真陽性;XGBoost,極端梯度提升。

表4

模型性能評估的各種指標的實驗結果

構建每個ML模型的ROC和PRC曲線

ROC曲線的構建以每個ML模型的FP結果為橫坐標,TP結果為縱坐標。為了驗證ML模型的優越性,我們構建了兩種類型的ROC曲線。第一種類型結合了cTnT的特征、訪視前心絞痛的病例數和心電圖ST段變化,而另一種類型使用了本研究中篩選的特征。兩個選項都建立了ML模型,並繪製了ROC曲線(圖6A、 B)。與第一類ROC曲線下麵積(AUC)相比,第二類特征選擇中XGBoost、SVM、RF、GBM和LR模型的AUC值提高了95% CI,p分別為0.003、0.04、0.036、0.002和0.041)(圖6C) 。具有多種臨床特征的每個模型的分類性能都優於隨機分類器。LR、RF、XGB、GBM和NB的AUC值均高於SVM,具有更高的診斷準確性。PRC曲線用於展示模型的分類性能,其中XGBoost、SVM、LR和RF的AUC值高於其他模型的AUC值,具有良好的分類性能(圖6D) 。XGBoost和LR模型的AUC值在這兩種曲線中更加平衡。ROC曲線的AUC值比較無顯著性差異(p=0.31),但PRC曲線有顯著性差異(p=0.002)。

圖6

機器學習模型性能的綜合評估。(A) 由一般臨床特征構建的機器學習模型的ROC曲線。(B) 使用本研究篩選的臨床特征構建的機器學習模型的ROC曲線。(C) 通過合並多種臨床特征(類型1:僅包括一般臨床特征,類型2:包括本研究篩選的臨床特征),機器學習模型的AUC值得到改善。(D) 機器學習模型的PRC曲線示意圖。(E) 通過雷達圖顯示每個機器學習模型的評估指標分布。(F) 直方圖顯示了每個機器學習模型的模型確定係數。GBM,梯度增壓機;LR,logistic回歸;注意,天真的貝葉斯;NSTEMI,非ST段抬高心肌梗死;隨機森林;ROC,接收機工作特性;支持向量機;UA,不穩定型心絞痛;XGBoost,極端梯度提升。

各ML模型的綜合評價

使用準確度、精密度、召回率、F-1評分和確定係數(R2.)(方程式3-5)。在模型綜合性能的比較中,XGBoost模型在NSTEMI和UA診斷分類的準確性、精確性、召回率和F-1評分方麵優於LR模型。此外,在UA的診斷分類中,XGBoost的這些指標的性能優於GBM模型(表4).雷達圖用於顯示各模型評估指標分布的平衡,XGBoost模型優於其他模型(圖6E).通過R的比較2.XGBoost模型也顯示出更好的擬合性能和結果的可解釋性(圖6F).

嵌入圖像 (3)

嵌入圖像 (4)

嵌入圖像 (5)

討論

在本研究中,通過收集多中心的回顧性臨床數據,建立了一個數據庫。基於該數據庫,構建了六個ML模型,並用於NSTEMI的輔助診斷。此外,還采用了一係列評價指標來評價模型的準確性。對該模型的綜合評價表明,XGBoost模型的性能優於其他模型。

近年來,人工智能技術在心血管疾病中的應用取得了重大進展。20ML模型提供的輔助診斷可以提高臨床診斷的效率,降低醫療費用,為醫生在遠程診斷時提供決策線索。這項研究在數據處理和特征篩選方麵有一定的進展。本研究包括多個中心的臨床數據,所有參與研究的中心均符合所有必要的實驗室要求和指南。在完成對原始數據的預處理後,選擇三種ML算法進行特征篩選,通過三種算法性能的比較,最終選擇最優算法進行特征篩選。采用SelectKBest算法篩選臨床特征項,獲得特征項的重要性排序。該方法減少了過擬合,支持柱抽樣,在特征篩選過程中表現出正則化,更全麵地反映了序列特征,提高了分類效率。因此,本研究中使用的SelectKBest算法也為臨床數據的處理和應用提供了線索。為了避免偏見,本研究使用一個醫療中心的數據集來訓練ML模型,而使用另一個醫療中心的數據集來測試模型。不僅如此,該研究還使用了五倍交叉驗證方案來處理數據集,以避免構建模型的過度擬合。21在分段訓練集和測試集之間的臨床基線數據比較中,大多數心血管疾病風險因素沒有顯著差異。然而,在這兩個數據集中,高血壓患者以及心功能I級和II級患者的比例存在顯著差異。上述差異的原因可能與基礎疾病的病程、S2FMC和就診前用藥有關。在數據集分割和臨床特征篩選過程中,本研究選擇的SelectKBest算法和五倍交叉驗證從數據集中提取了更有效的信息,提高了基於數據集的ML模型的可信度。

在同一訓練集上,本研究構建了六個ML模型,並對每個模型進行了綜合評價。應用混淆矩陣、模型準確性相關指標和ROC曲線來評估六種不同模型的性能。基於相同的訓練集數據,與僅包含ACS診斷指南推薦的特征的模型相比,包含多種臨床特征的XGBoost、SVM、RF、GBM和LR模型的AUC值有所改善。通過對多個評價指標的結果進行分析比較,最終結果表明,XGB模型的綜合性能優於其他模型。XGBoost算法的早期應用主要集中在有監督的ML數據的處理上,它在選擇函數損失和優化模型算法方麵具有優勢。赫拉22在一項755人的隊列研究中,使用XGBoost模型預測急性心肌梗死後的死亡風險 結果表明,XGBoost模型在風險分類方麵優於LR模型。在最近的一項研究中,23XGBoost模型用於識別CAG圖像中的異常血管,表明該模型對排除異常血管具有很高的特異性。在另一項研究中,24研究發現,XGBoost模型結合冠狀動脈鈣化評分能夠準確識別冠狀動脈阻塞性病變。此外,Bertsimas構造的XGBoost模型算法25能夠準確預測七種類型的心律失常ECG信號。在基礎研究領域,該模型還可用於預測亞細胞定位,26賴氨酸糖基化位點27蛋白質相互作用位點。28上述研究結果表明,XGBoost模型算法在決策、解釋和廣泛適用性方麵具有良好的性能。本研究中五種模型的綜合評價結果也反映了XGBoost模型在NSTEMI診斷準確性方麵的優勢。

人工智能的應用已被證明有利於心血管疾病的診斷29 30以及圖像識別。31據我們所知,很少有研究係統地比較不同ML模型在NSTEMI輔助診斷中的應用。總之,ML模型有可能被用作輔助診斷工具,以提高NSTEMI的診斷準確性,並優化NSTEMI患者的管理。本研究為NSTEMI患者的風險評估和臨床決策提供了新思路。

研究局限性

這項研究有幾個局限性。這項多中心回顧性研究使用了2878名患者的臨床數據。雖然在數據收集中采用了質量控製方案,但仍可能存在主觀選擇偏差。臨床數據由研究小組的成員手動標記,鑒別過程中的錯誤可能導致模型的過度擬合。未考慮疾病過程中的時間效應和特征變量之間的相關性。我們模型的臨床實用性可能需要在前瞻性隊列中進行驗證,以全麵評估診斷的準確性。因此,在臨床實踐中,該模型的重複性、穩定性和適用性有待提高。

結論

本研究結果支持應用ML模型作為輔助工具之一,以提高NSTEMI診斷的準確性。與其他四款ML車型相比,XGBoost車型的綜合性能更具優勢。

主要信息

  • 本研究利用來自多個中心的2878名患者的臨床數據,構建了六種機器學習模型,以幫助診斷非ST段抬高型心肌梗死。

  • 機器學習模型可以作為提高非ST段抬高心肌梗死診斷準確性的輔助工具之一。

  • 五種模型的綜合評價結果表明,極端梯度推進模型在輔助診斷方麵具有優勢。

當前研究問題

  • 確認模型診斷準確性的多中心前瞻性研究可能是一個新的研究問題。

  • 這項研究在新疆的兩個醫療中心進行;因此,可能有必要納入其他地區的臨床數據,以驗證本研究的結果。

  • 未來的前瞻性研究可能需要探索發病的時間效應與特征變量之間的相關性。

  • 將本研究構建的機器學習模型轉化為輔助診斷工具,並應用於臨床實踐。

關於這個問題,我們已經知道了什麼

  • 非ST段抬高型心肌梗死的高發病率和死亡率使得在疾病的早期進行準確診斷尤為重要。

  • 根據現有文獻,許多研究結果表明,機器學習模型在疾病風險預測、圖像分析和疾病診斷方麵具有很高的性能。

  • 然而,很少有研究表明使用機器學習模型作為輔助工具診斷非ST段抬高型心肌梗死的可能性。

數據可用性聲明

如有合理要求,可提供數據。不適用。

道德聲明

病人同意發表

道德認可

本研究符合赫爾辛基宣言的條款,並由新疆醫科大學機構審查委員會和石河子大學醫學院第一附屬醫院批準(倫理批準號:K202108-19)。參與者在參與研究前給予知情同意。

致謝

作者對中國國家自然科學基金(批準號8660085)的資助表示感謝。此外,我們非常感謝石河子大學醫學院第一附屬醫院在數據收集工作中對本研究的支持,也非常感謝石河子大學信息與科學技術學院團隊的幫助。

工具書類

補充材料

  • 補充數據

    此僅限網絡的文件由BMJ出版集團根據作者提供的電子文件製作,未對其內容進行編輯。

腳注

  • 貢獻者XM參與了研究的構思和設計。AA整理了數據,設計並開發了數據庫。LQ開發了數據庫,並幫助起草了手稿。QQ對其進行了批判性修改,以獲取重要的知識內容。CXZ完成了數據預處理。WQH完成了機器學習模型的構建。所有作者都已閱讀並批準了最終提交的手稿。XM是這篇文章的擔保人,他對這項工作和研究的進行承擔全部責任,有權訪問數據,並監督發表這篇文章的決定。

  • 基金本研究得到中國國家自然科學基金(批準號8660085)的資助。

  • 相互競爭的利益沒有人宣布。

  • 出處和同行評議未委托;外部同行評審。

  • 補充材料此內容由作者提供。它沒有經過BMJ出版集團有限公司(BMJ)的審查,也可能沒有經過同行評審。討論的任何意見或建議僅為作者的意見或建議,未經BMJ認可。BMJ不承擔因依賴內容而產生的所有責任。如果內容包括任何翻譯材料,BMJ不保證翻譯的準確性和可靠性(包括但不限於當地法規、臨床指南、術語、藥物名稱和藥物劑量),也不對翻譯和改編或其他方麵產生的任何錯誤和/或遺漏負責。

請求權限

如果您希望重用本文的任何或全部內容,請使用下麵的鏈接,該鏈接將帶您訪問版權許可中心的RightsLink服務。你將能夠獲得一個快速的價格和即時許可,以多種不同的方式重用內容。