پیش بینی یادگیری ماشینی مرگ و میر یک ساله پس از مداخله عروق کرونر از راه پوست در بیماران مبتلا به سندرم کرونری حاد

همچنین، مدل‌های ML می‌توانند پرونده‌های الکترونیک سلامت (EHR) را که روز به روز در حال افزایش است، مدیریت کنند و با توجه به توانایی محاسباتی رایانه‌های مدرن، ML می‌تواند به یک دستیار آسان برای استفاده در سیستم‌های مراقبت‌های بهداشتی و همچنین پزشکی قلب و عروق تبدیل شود. علاوه بر این، پیشرفت‌های اخیر در بهبود تفسیرپذیری مدل‌های ML منجر به روش‌هایی شده است که چگونگی پیش‌بینی‌ها برای هر شرکت‌کننده را توضیح می‌دهد. این روش ها به نوبه خود می توانند درک بهتری از روابط بین عوامل خطر قابل اصلاح و مرگ و میر پس از PCI را تسهیل کنند که تاکنون شناسایی نشده است.

درک تأثیر عوامل خطر قابل اصلاح در سطح فردی بر مرگ و میر پس از PCI برای بهبود نتایج بیمار و بهینه‌سازی استراتژی‌های درمانی بسیار مهم است. در نتیجه، کاوه حسینی و همکاران در مطالعه همگروهی گذشته‌نگر در مقیاس بزرگ بر روی بیماران PCI مرکز قلب تهران، به دنبال یک مدل یادگیری ماشینی قوی برای پیش‌بینی قابل اعتماد مرگ‌ومیر پس از PCI در بیماران مبتلا به سندرم حاد کرونری (ACS) انجام دادند. از طریق مقایسه چندین رویکرد مدلسازی مستقل و همچنین از تحلیل‌های ثانویه برای تفسیر عملی ارتباطات بین متغیری، با تمرکز بر نقش عوامل خطر قابل تغییر در افزایش خطر مرگ و میر در بیماران تحت PCI استفاده شد.

این مطالعه بر روی 13682 بیمار در مرکز قلب تهران از سال 2015 تا 2021 انجام شد. بیماران برای آزمایش و آموزش مدل ماشینی به 70:30 تقسیم شدند. چهار مدل ML طراحی شد: یک مدل رگرسیون لجستیک (LR)، جنگل تصادفی (RF)، تقویت گرادیان شدید (XGBoost) و مدل‌های Ada Boost. اهمیت ویژگی ها با استفاده از انتخابگر ویژگی RF و SHAP بر اساس مدل XGBoost محاسبه شد.

نتایج این مطالعه که در مجله ی International Journal of Cardiology  در سال 2024 به چاپ رسید نشان داد که از مجموع 9073 بیمار با پیگیری بیش از 1 سال، 340 شرکت کننده فوت کردند. سن بالاتر و میزان بالاتری از بیماری های همراه در این بیماران مشاهده شد. نمایه توده بدنی و پروفایل لیپیدی همبستگی U شکل را با نتایج نشان دادند. در بین مدل‌ها، RF بهترین تمایز (0.866 AUC) را داشت، در حالی که بیشترین حساسیت (80.9٪) و ویژگی (88.3٪) به ترتیب برای مدل‌های LR و XGBoost بود. همه مدل‌ها دارای AUC> 0.8 بودند. این مطالعه نشان داد که مدل های ML می توانند مرگ و میر 1 ساله را پس از PCI با عملکرد بالا پیش بینی کنند.