机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

Mar, 2024

机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

Machine learning predicts long-term mortality after acute myocardial infarction using systolic time intervals and routinely collected clinical data

PDF

Bijan Roodini, Boshra Khajehpiri, amid Abrishami Moghaddam, Mohamad Forouzanfar

TL;DR该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Abstract

Precise estimation of cardiac patients' current and future comorbidities is an important factor in prioritizing continuous physiological monitoring and new therapies. ML models have shown satisfactory performance in short-term mortality prediction of patients with heart disease, while their utility in long-term predictions is limited. This study aims to inve

long-term mortality prediction tree-based ml models biomarkers brachial pre-ejection period brachial ejection time

发现论文，激发创造

通过机器学习模型的比较分析改进心血管疾病预测：以心肌梗死为案例研究

心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析：Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明，XGBoost 作为表现最佳的模型，显示了提高冠状动脉梗塞预测精确性的潜力。

Nov, 2023

可解释的 LightGBM 预测心肌梗死死亡率

在这篇文章中，我们研究了数据预处理任务的影响，并比较了三种集成增强树方法来预测心肌梗塞患者的死亡风险。此外，我们采用树 Shapley 加性解释方法，来识别执行预测所涉及特征之间的关系，利用所有可用数据进行分析。值得注意的是，我们的方法在与其他现有机器学习方法的比较中取得了卓越的性能，LightGBM 在无数据预处理的情况下的 F1-score 为 91.2％，准确度为 91.8％。

Apr, 2024

XMI-ICU: ICU 中心特定心脏病患者假动态死亡率可解释的机器学习预测模型

本研究利用回溯检验提取的两个队列，发展了一种新的伪动态机器学习框架，用于重症监护病房的死亡预测，实现了可解释性和临床风险分析，并成功地结合了时间序列生理测量技术，从而能够提供时间分辨率的解释结果。

May, 2023

一种改进的基于堆叠集成方法的心脏病预测

本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

Apr, 2023

基于随机森林的卒中结果预测

通过使用机器学习技术，研究临床、生化和神经影像因素，生成一个预测模型，用于预测中风患者在入院后 3 个月的死亡率和发病率，并得出结论：机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。

Feb, 2024

自动机器学习在心血管疾病检测中的效果研究

发展和应用以患者为导向的系统中，机器学习作为一种有前途的技术能够预测心血管疾病，本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性，结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性，还取决于数据的预处理技术，尤其是数据标准化。

Aug, 2023

利用统计学和机器学习方法对 COVID-19 患者进行入院死亡率和肺栓塞的预测：一项国际队列研究

使用 800,000 多名 COVID-19 患者的数据集，提出了一种成本敏感的梯度提升机器学习模型，该模型可以预测 PE 的发生和死亡风险，并确定年龄、性别、入院地区、合并症和症状等最重要的临床预测因子，并且可以更好地规范医院风险优先级的限制，并且在世界范围内进行评估。

May, 2023

乳腺癌风险因素分析和生存预测的监督式机器学习

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

基于机器学习方法和诊断生物标志物增强的住院心力衰竭患者声音驱动的死亡预测

通过整合语音生物标志物，我们展示了一个强大而有效的机器学习模型，用于通过语音评估预测住院心力衰竭患者的死亡率，该模型的预测精度得到增强。

Feb, 2024

利用电子健康记录自动预测精神疾病患者的死亡

使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

Oct, 2023