Predicting prolonged length of in-hospital stay in patients with non-ST elevation myocardial infarction (NSTEMI) using artificial intelligence
Notice bibliographique
Résumé
BACKGROUND: Patients presenting with non-ST elevation myocardial infarction (NSTEMI) are typically evaluated using coronary angiography and managed through coronary revascularization. Numerous studies have demonstrated the benefits of expedited discharge following revascularization in this patient population. However, individuals with concomitant heart failure, hemodynamic instability, or arrhythmias often necessitate prolonged hospitalization. Using aortic pressure (AP) wave assessment, we aim to predict a prolonged length of stay (> 4 days, PLoS) in patients with NSTEMI treated with percutaneous coronary intervention (PCI). METHODS: In this single-center, retrospective cohort study, we included 497 patients with NSTEMI [66.3 ± 12.9 years, 37.6 % (187) females]. We developed a predictive model for PLoS using features primarily extracted from the AP signal recorded throughout PCI. We performed feature selection using recursive feature elimination (RFE) with cross-validation and built a machine learning (ML) model using the CatBoost tree-based classifier. The decision-making process of the ML model was analyzed using SHapley Additive exPlanations (SHAP). RESULTS: We achieved average accuracy, specificity, sensitivity, precision, and receiver operating characteristic curve area under the curve (AUC) values of 77 %, 78 %, 76 %, 67 %, and 77 %, respectively. Using SHAP, we identified the ejection systolic period, ejection systolic time, the difference between systolic blood pressure and dicrotic notch pressure (DesP), the age modified shock index (mSI_age) and mean arterial pressure (MAP) as the most characteristic features extracted from the AP signal. CONCLUSIONS: In conclusion, this study demonstrates the potential of using ML and features extracted from the AP signal to predict PLoS in patients with NSTEMI.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».