基于机器学习的急性冠脉综合征不良事件预测( PRAISE )

这是一篇关于基于机器学习的急性冠脉综合征不良事件预测( PRAISE )的思维导图，主要内容包括：表不如图，字不如表，摘要，题目。开发基于机器学习的危险分层模型来预测ACS后的全因死亡、再发急性心肌梗死和大出血。

基于机器学习的急性冠脉综合征不良事件预测( PRAISE )：基于混合数据集的建模研究

• 题目
  • Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets
• 摘要
  • 背景/目的
    • 目前急性冠脉综合征( acute coronary syndrome，ACS )后缺血和出血事件预测工具的准确性尚不足以满足个体化的患者管理策略
    • 开发基于机器学习的危险分层模型来预测ACS后的全因死亡、再发急性心肌梗死和大出血
  • 方法
    • 该模型源自当代因 ACS 接受经皮冠状动脉介入治疗的患者队列，并根据当前 DAPT 指南建议进行治疗
    • 这些患者来自两个登记处：BleeMACS 登记处和 RENAMI 登记处
    • 在BleeMACS和RENAMI登记的19 826例成人ACS患者的队列上训练了不同的机器学习模型，用于预测出院后1年的全因死亡、心肌梗死和大出血
      • 分为训练集[ 80 % ]
      • 内部验证集[ 20 % ]
    • 大出血(定义为出血学术研究联合体类型3或5)
    • 出院时常规评估的 25 种临床特征被用来为模型提供信息
    • 使用四种机器学习分类器来生成四种模型，用于每个研究结果的预测
      • 自适应提升
      • 朴素贝叶斯
      • K近邻
      • 随机森林
    • 每个研究结果的最佳表现模型（PRAISE 评分）在由随机对照试验和三个前瞻性注册中心汇集的 3444 名 ACS 患者组成的外部验证队列中进行了测试
    • 结构化数据集包括 25 个变量
      • 16 个临床变量
      • 5个治疗变量
      • 2个血管造影变量
      • 2个程序变量
    • 为了评估模型的性能，使用了外部验证队列，其中包括 3444 名因 ACS 入院的成年患者，并从四个前瞻性收集来源进行了 2 年随访
    • 根据一系列学习指标评估模型性能，包括受试者工作特征曲线下面积 (AUC)
  • 结果
    • 开发并外部测试了一种基于机器学习的模型，用于预测 ACS 后 1 年内全因死亡、复发性心肌梗死和大出血的风险
      • PRAISE 评分
    • PRAISE评分在内部验证队列中预测1年全因死亡的AUC为0.82，在外部验证队列中预测1年全因死亡的AUC为0.92
    • 对于1年心肌梗死，内部验证队列的AUC为0.74，外部验证队列的AUC为0.81
    • 对于1年主要出血，内部验证队列的AUC为0.70 ，外部验证队列的AUC为0.86
  • 结论
    • 基于机器学习的方法用于识别ACS后事件的预测因子是可行和有效的
    • PRAISE评分对全因死亡、心肌梗死和主要出血的预测具有准确的判别能力，可能有助于指导临床决策
• 字不如表
  • Table 1
    • 纳入队列的基线特征
      • 衍生队列 (n=19 826)
      • 外部验证队列 (n=3444)
  • Table 2
    • 研究结局
• 表不如图
  • Figure 1
    • 死亡、心肌梗塞和大出血八个最重要预测因素的雷达图
  • Figure 2
    • 1 年随访时训练、内部验证和外部验证数据集的死亡、心肌梗塞和大出血的 AUC
  • Figure 3
    • 根据基于 PRAISE 评分的事件概率十分位数观察到的死亡、心肌梗塞和大出血的风险
      • 校准曲线
  • Figure 4
    • 心肌梗死和大出血风险类别的交叉分类（A）
    • 两种风险类型之间假设权衡的图示 (B)
      • 正风险差异表明观察到的心肌梗塞风险高于大出血
      • 负风险差异表明观察到的大出血风险高于心肌梗塞
      • 每条线根据主要出血风险十分位数和心肌梗死风险类别拟合观察到的平均风险差异，阴影区域代表平均风险差异的 95% CI
      • 大出血风险的前六个十分位表示低风险，第七到第九个十分位表示中度风险，第十个十分位表示高风险