机器学习在预测非瓣膜性心房颤动患者大出血风险中的应用

机器学习在预测非瓣膜性心房颤动患者大出血风险中的应用 Application of Machine Learning to Predict Major Bleeding Risk in Patients With Nonvalvular Atrial Fibrillation

页面：37,作者/机构:Rahul Chaudhary

简介:本报告探讨了机器学习在预测接受直接口服抗凝剂（DOAC）治疗的非瓣膜性心房颤动（AF）患者发生大出血事件中的作用。

该报告使用匹兹堡大学医学中心电子病历（EHR）中的数据，对五种机器学习模型（逻辑回归，最近邻分类树，k近邻，朴素贝叶斯和极值梯度提升（XGBoost））的性能进行了评估，并与传统的房颤风险评分（HAS-BLED 和 ORBIT）进行了比较。

结果显示，机器学习模型在预测出血事件方面的表现优于传统评分系统，特别是在预测2年和5年时间点的出血事件方面。

该报告通过提供基于真实世界数据的更精确的出血风险预测工具，为个性化风险评估工具的开发提供了新的视角。

报告重点

机器学习模型，特别是XGBoost和随机森林模型，在预测非瓣膜性心房颤动患者的出血事件方面优于传统的风险评分系统，如HAS-BLED和ORBIT。
与传统风险评分相比，机器学习模型能够整合更多风险因素，包括人口统计学特征、既往病史、用药情况、实验室检查结果以及保险类型等，从而更全面地评估患者的出血风险。
SHAP分析揭示了影响出血风险的关键因素，包括年龄、肾功能、心血管药物使用情况、血脂水平以及体重指数等，为临床医生提供了更精准的风险评估指标。
研究结果强调了电子病历（EHR）数据在开发和验证出血风险预测模型方面的价值，为未来利用真实世界数据改进风险分层和个性化治疗决策提供了依据。
研究结果突出了开发全面效用框架的重要性，该框架应综合考虑模型的准确性、患者的价值观和偏好，以及假阳性和假阴性的潜在影响，以指导机器学习模型在临床实践中的应用。

参考图示

下载链接

扫描二维码关注微信，回复报告或者 baogao ，即可获取密码