-
题名STEMI患者PCI术后并发症风险智能评估模型
- 1
-
-
作者
戴勇
阮青青
苏树智
杨梦洋
任渊
乔增勇
-
机构
安徽理工大学第一临床医学院
安徽理工大学医学院
合肥综合性国家科学中心大健康研究院职业医学与健康联合研究中心(安徽理工大学)
安徽理工大学计算机科学与工程学院
中国福利会国际和平妇幼保健院妇科
上海市奉贤区中心医院心血管内科
-
出处
《安徽理工大学学报(自然科学版)》
2026年第1期100-108,共9页
-
基金
安徽省高校自然科学基金项目(2022AH040113)
安徽理工大学医学专项培育项目(YZ2023H2A007)
安徽理工大学职业医学与健康联合研究中心研究基金(OMH-2023-05)。
-
文摘
目的探讨ST段抬高型心肌梗死(STEMI)患者的临床特征,借助机器学习技术筛选关键指标,构建高效、精准的急性心肌梗死风险预测模型。方法采用回顾性研究方法,选取2022年4月至2023年4月在上海奉贤区中心医院心血管内科接受PCI术治疗的STEMI患者作为研究对象,同期选取在该院接受常规治疗的非STEMI患者作为对照组。记录两组患者临床特征、生物标志物、手术相关指标等共50个特征。通过自动特征选择方法筛选关键特征,并运用逻辑回归模型进行建模。以休克、感染、低血压、出血、恶性心律失常、呼吸衰竭、肾衰竭和死亡组成的复合结局作为主要研究终点,通过受试者工作特征曲线及曲线下面积、校准曲线、特异度、灵敏度、F1值等指标评估模型的预测效能。结果逻辑回归模型在预测性能上表现最佳,准确率达73.54%。通过特征重要性分析,筛选出11个关键特征,其中“右冠状动脉近端作为罪犯血管”对预测结果的影响最为显著。基于这11个特征重新训练后,模型预测准确率为71.95%,表明所选特征对预测结果具有重要影响。结论在STEMI患者的临床管理中,基于多源临床数据的机器学习模型能够显著提升疾病风险评估的精准性,并为个体化治疗策略的制定提供重要依据。
-
关键词
ST段抬高型心肌梗死
经皮冠状动脉介入术
机器学习
并发症预测
-
Keywords
ST-segment elevation myocardial infarction
percutaneous coronary intervention
machine learning
complication prediction
-
分类号
R535.6
[医药卫生—内科学]
-
