利用心脏磁共振和临床参数,开发了基于极端梯度提升( XGBoost )机器的可解释ML模型
XGBoost对BIDMC中心中70 %的患者进行训练,以另外30 %作为内部验证进行评估
使用BWH中心对模型进行外部验证
BIDMC的患者异质性较高,疾病进展缓慢,主要由评估非缺血性疾病病因的门诊患者组成
BWH的患者往往具有更晚期的疾病,体现在更高的事件发生率( 16 %和10 %)
为了考察不同特征在我们的风险预测模型中的贡献,使用了Shapley加性解释( SHAP )分析
提取了与CV相关住院和全因死亡相关的所有相关结局指标
将CV住院和全因死亡作为我们的复合结局,并没有将心律失常作为不良结局纳入,因为心律失常的随访数据不完整
记录了CMR扫描与复合结局的第一个事件之间的时间间隔
XGBoost模型可以考虑缺失数据,因此不需要对缺失值进行插补
使用10倍交叉验证过程,使用网格搜索对模型超参数进行调优
为了研究模型的可靠性,在低事件率的情况下,使用减少的事件率重新训练模型,排除了3 ( 12 % , n = 24)例阳性结果的患者,并报告了最重要的一组预测因子的变化
使用AUC和精确率-召回率曲线下面积(平均精度[ AP ])评估模型对结果预测的性能
模型使用标准的人口统计学、合并症和CMR成像参数构建