Abstract 4144431: Machine Learning to Differentiate Myocardial Infarction with Obstructive versus Non-Obstructive Coronary Artery Disease
Notice bibliographique
Résumé
Background: Myocardial infarction (MI) can occur with or without coronary artery disease, classified as myocardial infarction with non-obstructive coronary artery disease (MINOCA) and MI with obstructive coronary artery disease (MICAD), respectively. Differentiating between these conditions is important as they require potentially different diagnostic and therapeutic approaches. No pre-test probability score currently exists to aid in this differentiation. This study aims to develop and validate machine learning (ML) models to predict whether a patient with suspected MI has MINOCA or MICAD. Methods: Data from the Alberta Provincial Project for Outcome Assessment in Coronary Heart Disease (APPROACH) database, including patients who underwent their first cardiac catheterization for chest pain or an anginal equivalent from 2002 to 2017, was used. We analyzed a cohort of 53,348 patients suspected of having myocardial infarction. For machine learning model development, 20 demographic and clinical features were selected using the Boruta algorithm. The dataset was divided into training (80%) and testing (20%) sets. Model performance was evaluated using 5-fold cross-validation, and the area under the receiver operating characteristic curve (AUROC) was the primary metric for model evaluation. Results: Among the five machine learning models trained, the XGBoost model showed superior performance, achieving an AUROC of 0.76 [95% CI: 0.76–0.77] and an accuracy of 0.86 during internal validation. Logistic regression achieved an AUROC of 0.74 [95% CI: 0.74–0.74]. Calibration of the XGBoost model was assessed via a calibration plot, which showed good agreement between predicted probabilities and observed event probabilities, with a Brier score of 0.10. Conclusions: The developed ML models demonstrated moderate accuracy for predicting MICAD versus MINOCA using clinically relevant features. Implementing such models in clinical practice could guide alternative diagnostic approaches for patients with suspected MINOCA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».