Core Concepts
Incorporating new biomarkers into advanced machine learning models significantly improves long-term mortality prediction in cardiac patients.
Abstract
Einleitung:
Herz-Kreislauf-Erkrankungen sind weltweit führende Todesursache.
Kontinuierliche Überwachung von AMI-Patienten ist entscheidend.
Risikobewertung:
ML-Modelle übertreffen traditionelle Methoden in der Mortalitätsvorhersage.
Neue Biomarker verbessern die Vorhersageleistung.
Methoden:
Datensatz von AMI-Patienten aus Taiwan verwendet.
Einsatz von Random Forest, AdaBoost und XGBoost für Vorhersagen.
Ergebnisse:
ML-Modelle zeigen signifikant bessere Leistung als LR.
RF und AdaBoost erreichen die höchsten Werte.
Diskussion:
Bedeutung von bPEP und bET als neue Biomarker hervorgehoben.
Notwendigkeit weiterer Forschung mit größeren Datensätzen und fortgeschrittenen ML-Methoden.
Stats
Die entwickelten ML-Modelle erreichten signifikant bessere Leistungen im Vergleich zu LR (C-Statistik, 0,80 für Random Forest, 0,79 für AdaBoost und 0,78 für XGBoost, gegenüber 0,77 für LR).
Die Hinzufügung von bPEP und bET zu den Merkmalen führte zu einer signifikanten Verbesserung der Algorithmenleistung.
Quotes
"Die Studie zeigt, dass die Integration neuer Biomarker in fortschrittliche maschinelle Lernmodelle die Langzeitsterblichkeitsvorhersage bei Herzpatienten signifikant verbessert."