Thanh bên bài viết
Số lượt xem pdf: 19
GIÁ TRỊ TIÊN LƯỢNG TỬ VONG CỦA MÔ HÌNH MÁY HỌC RỪNG NGẪU NHIÊN Ở BỆNH NHÂN NHỒI MÁU CƠ TIM CẤP
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Đánh giá giá trị tiên lượng tử vong của mô hình máy học rừng ngẫu nhiên ở bệnh nhân nhồi máu cơ tim (NMCT) cấp. Đối tượng và phương pháp: Nghiên cứu đoàn hệ hồi cứu trên 540 bệnh nhân NMCT cấp điều trị tại Bệnh viện Chợ Rẫy từ tháng 01/2020 đến 09/2021. Các dữ liệu lâm sàng, cận lâm sàng, tổn thương động mạch vành và điều trị được thu thập để huấn luyện và kiểm tra mô hình rừng ngẫu nhiên bằng Python 3.12. Dữ liệu được chuẩn hóa, cân bằng mẫu bằng phương pháp SMOTE và phân tích thành phần chính nhằm xác định các yếu tố quan trọng. Hiệu năng mô hình được đánh giá bằng diện tích dưới đường cong ROC (AUC) và độ chính xác. Kết quả: Tuổi trung bình của dân số nghiên cứu là 64,0 ± 11,6; nam giới chiếm 71,3%. Tỷ lệ tử vong trong vòng 12 tháng là 10,7%. Mười yếu tố quan trọng nhất trong mô hình tiên lượng tử vong gồm phân độ Killip, thể lâm sàng NMCT, tổn thương động mạch vành phải và động mạch xuống trước trái, hút thuốc lá, sử dụng thuốc ức chế men chuyển/chẹn thụ thể angiotensin II (ACEi/ARB), thiếu máu, nồng độ troponin I lúc nhập viện, tuổi và điểm Gensini. Trên bộ dữ liệu ban đầu, mô hình đạt AUC từ 0,653 đến 0,730 và độ chính xác từ 0,889 đến 0,907. Sau khi chuẩn hóa và cân bằng mẫu, AUC tăng lên 0,709–0,730. Kết luận: Mô hình máy học rừng ngẫu nhiên có khả năng tiên lượng tử vong ở bệnh nhân NMCT cấp với hiệu năng ở mức khá.
Chi tiết bài viết
Từ khóa
nhồi máu cơ tim cấp, tiên lượng tử vong, mô hình máy học, rừng ngẫu nhiên
Tài liệu tham khảo
2. Lee HC, Park JS, Choe JC, Ahn JH, Lee HW, Oh JH, et al. Prediction of 1-Year Mortality from Acute Myocardial Infarction Using Machine Learning. Am J Cardiol. 2020;133:23-31. doi: 10.1016/j.amjcard.2020.07.048.
3. Yang J, Li Y, Li X, Tao S, Zhang Y, Chen T, et al. A Machine Learning Model for Predicting In-Hospital Mortality in Chinese Patients With ST-Segment Elevation Myocardial Infarction: Findings From the China Myocardial Infarction Registry. J Med Internet Res. 2024;26:e50067. doi: 10.2196/50067.
4. Li YW, Yang XD, Cai YC, Kong XY. Artificial intelligence based prediction of acute myocardial infarction mortality risk. 2nd International Conference on Health Big Data and Intelligent Healthcare (ICHIH). Zhuhai, China: IEEE. 2023: 164-169. doi:10.1109/ICHIH60370.2023. 10396320.
5. Zhang X, Wang X, Xu L, Liu J, Ren P, Wu H. The predictive value of machine learning for mortality risk in patients with acute coronary syndromes: a systematic review and meta-analysis. Eur J Med Res. 2023;28(1):451. doi: 10.1186/s40001-023-01027-4.
6. Hadanny A, Shouval R, Wu J, Shlomo N, Unger R, Zahger D, et al. Predicting 30-day mortality after ST elevation myocardial infarction: Machine learning-based random forest and its external validation using two independent nationwide datasets. J Cardiol. 2021;78(5):439-446. doi: 10.1016/j.jjcc.2021.06.002.
7. Oliveira M, Seringa J, Pinto FJ, Henriques R, Magalhães T. Machine learning prediction of mortality in Acute Myocardial Infarction. BMC Med Inform Decis Mak. 2023;23(1):70. doi: 10.1186/ s12911-023-02168-6.
8. Thygesen K, Alpert JS, Jaffe AS, et al. Fourth universal definition of myocardial infarction. Circulation. 2018;138: e618-e651. doi: 10.1161/ CIR.0000000000000617.