به همین منظور سعید توفیقی و همکاران مطالعه ای را جهت مقایسه مدل‌های یادگیری ماشینی برای پیش‌بینی پیامدهای نامطلوب یک ساله بیماران تحت مداخله اولیه عروق کرونر از راه پوست برای انفارکتوس حاد میوکارد با ارتفاعST انجام دادند.

این مطالعه گذشته نگر مبتنی بر ثبت اطلاعات بیماران بستری با تشخیص STEMI حاد و تحت درمان با PCI اولیه از سال 2011 تا 2019 در مرکز قلب تهران، انجام شد. چهار مدل  ML، یعنی ماشین تقویت کننده گرادیان (GBM)، جنگل تصادفی (DRF)، رگرسیون لجستیک (LR) و یادگیری عمیق (DL)، برای پیش‌بینی رویدادهای نامطلوب قلبی عروقی (MACE) در طول پیگیری 1 ساله استفاده شد.

در مجموع 4514 بیمار (3498 مرد و 1016 زن) وارد مطالعه شدند که MACE در 610 نفر (13.5%) در طول پیگیری رخ داده بود. میانگین سنی جمعیت 62.1 سال بود و گروه MACE به طور قابل توجهی مسن تر از گروه غیر MACE بود.

نتایج این مطالعه که در ژورنال Clinical Cardiology در سال 2024 به چاپ رسید نشان داد که مدل‌های مبتنی بر ML، مانند DRF و GBM، می‌توانند به‌طور مؤثری بیماران STEMI پرخطر را برای عوارض جانبی در طول پیگیری شناسایی کنند. این مدل‌ها می‌توانند برای استراتژی‌های درمانی شخصی‌شده، در نهایت بهبود نتایج بالینی و کاهش بار بیماری مفید باشند.

doi.org/10.1002/clc.24157

تهییه و تنظیم: امین محسن زاده