预测复发性心包炎患者的长期临床结果

这是一篇关于预测复发性心包炎患者的长期临床结果的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

预测复发性心包炎患者的长期临床结果

• 题目
  • Predicting Long-Term Clinical Outcomes of Patients With Recurrent Pericarditis
• 摘要
  • 背景/目的
    • 复发性心包炎（RP）是一种复杂的疾病，发病率很高
    • 先前的研究已经评估了哪些变量与临床缓解相关
    • 然而，目前还没有建立的风险分层模型来预测这些患者的结果
    • 开发了一种风险分层模型，预测 RP 患者的长期结局，并能够识别具有预示不良结局特征的患者
  • 方法
    • 回顾性研究了 2012 年至 2019 年总共 365 名连续 RP 患者
    • 主要结局是临床缓解 (CR)，定义为停止所有抗炎治疗且症状完全缓解
    • 使用五种机器学习生存模型来计算 5 年内 CR 的可能性，并将患者分为高风险、中风险和低风险组
  • 结果
    • 在该队列中，平均年龄为 46±15 岁，其中 205 名（56%）为女性。 118 名患者 (32%) 获得 CR
    • 最终模型包括类固醇依赖性、复发总数、心包晚期钆增强、年龄、病因、性别、射血分数和心率作为最重要的参数
    • 该模型在测试集上以 0.800 的 C 指数预测结果，并在将患者分层为低风险、中风险和高风险组方面表现出显着的能力（对数秩检验；P < 0.0001）
  • 结论
    • 开发了一种新的风险分层模型来预测 RP 中的 CR
    • 我们的模型还可以帮助对患者进行分层，具有很高的辨别能力
    • 使用可解释的机器学习模型可以帮助医生对 RP 患者做出个体化治疗决策
• 字不如表
  • Table 1
    • 总体队列和结果组的基线特征
      • 临床缓解阳性事件
  • Table 2
    • 比较不同模型的预测性能
      • 所有变量
      • 前十变量
• 表不如图
  • 中心插图
    • 描述研究工作流程的研究流程图
  • Figure 1
    • Xgb模型的全局解释和特征重要性
    • XGB模型的全局可解释性，以及20个最有影响力的特征
  • Figure 2
    • 绘制SHAP特征依赖图
    • 某些连续变量对预测模型输出的影响在SHAP依赖图中显示
  • Figure 3
    • 风险模型和模型评估
      • (A) 用于复发性心包炎临床缓解的新型风险评分系统
      • (B) 通过新的风险评分图得出的临床缓解率
      • (C) 根据预测风险评分的 Kaplan-Meier 曲线
      • (D) 时间 ROC 曲线，比较风险模型在 1 年、3 年和 5 年随访时的表现
• 补充材料
  • Figure S1
    • 数据分割策略
  • Figure S2
    • 特定参数的Kaplan-Meier曲线
    • 通过基于每个变量的亚组分析，评估模型在队列亚组内独立危险分层的能力
    • 该模型在队列亚组的风险分层中表现出稳健的性能，显示临床缓解率随着风险评分的增加而成比例地降低
  • Figure S3
    • 训练集和测试集分数组的Kaplan-Meier曲线
    • 该模型在队列亚组的风险分层中表现出稳健的性能
  • Figure S4
    • 测试队列中最终模型的校准图
  • Table S1
    • 训练集和测试集的基线特征
  • Table S2
    • 模型的超参数空间
  • Table S3
    • 最终Cox比例风险模型的导出得分
  • Table S4
    • 危险人群的基线特征
      • 低中高风险
  • Table S5
    • 5年期间风险分层的临床缓解年累积发生率