导图社区 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。
这是一篇关于老年急性冠脉综合征和心房颤动患者出血和缺血预后模型的开发和验证的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。
这是一篇关于心房颤动危重患者应激性高血糖比率指数与全因死亡率之间的关联的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。
社区模板帮助中心，点此进入>>
小儿常见病的辩证与护理
蛋白质
均衡饮食一周计划
消化系统常见病
耳鼻喉解剖与生理
糖尿病知识总结
细胞的基本功能
体格检查：一般检查
心裕济川传承谱
解热镇痛抗炎药
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
