Nature Medicine: Модель машинного обучения улучшает диагностику инфаркта миокарда

Димитриос Дудезис, доктор философии, из Эдинбургского университета (Великобритания), и его коллеги разработали модели машинного обучения, которые объединяют концентрацию сердечного тропонина при поступлении или при серийном тестировании с клиническими характеристиками и вычисляют балл Collaboration for the Diagnosis and Evaluation of Acute Coronary Syndrome (CoDE-ACS), который определяет вероятность инфаркта миокарда.

Модели были обучены на данных 10038 пациентов и прошли внешнюю проверку на данных 10286 пациентов из семи когорт.

Исследователи обнаружили, что CoDE-ACS отлично различает инфаркт миокарда, причем в разных подгруппах, сообщает HealthDay.

По сравнению с фиксированными пороговыми значениями сердечного тропонина, CoDE-ACS определил больше пациентов с низкой вероятностью инфаркта миокарда при поступлении (61 против 27 процентов), с аналогичной отрицательной предсказательной ценностью, и определил меньше пациентов с высокой вероятностью инфаркта миокарда (10 против 16 процентов), с большей положительной предсказательной ценностью.

По сравнению с пациентами с промежуточной или высокой вероятностью, пациенты с низкой вероятностью инфаркта миокарда имели более низкий уровень сердечной смерти в течение 30 дней (0,1 против 0,5 и 1,8 процента) и одного года (0,3 против 2,8 и 4,2 процента) от момента поступления.