A machine learning model for predicting ischemic and bleeding risk after percutaneous coronary intervention: Development and external validation.

چکیده اصلی

OBJECTIVE: This study aimed to develop and externally validate a machine learning-based risk prediction model of ischemia and bleeding events in patients receiving percutaneous coronary intervention (PCI) and dual antiplatelet therapy (DAPT) and, to evaluate its clinical potential and economic implications compared with existing risk scoring systems. METHODS: A weighted LightGBM model was trained on a PCI cohort from the United Arab Emirates, comprising 4,812 participants, and then externally validated on the MIMICIV database (3,406 patients). The main outcomes were composite ischemic events and major bleeding events. The model discrimination, calibration, and clinical utility were evaluated using calibration plot, AUROC, and decision curve analysis. This model was used to estimate economic results under hypothetical risk-guided management strategies. RESULTS: The weighted LightGBM model achieved AUROC values of 0.87 for ischemic events and 0.85 for bleeding events during internal validation. In external validation, AUROC values were 0.84 and 0.82, respectively. These results were higher than discrimination performance of the established scoring systems, including DAPT and PRECISE-DAPT. Exploratory analyses suggested that risk-guided strategies informed by the model may have potential, although these findings require prospective validation. CONCLUSIONS: The explainable AI model demonstrated good discrimination and calibration for post-PCI ischemic and bleeding risk prediction. The model showed higher predictive performance compared with conventional risk scores and may serve as a potential decision-support tool to inform future prospective validation evaluating its clinical utility.

ترجمه فارسی چکیده

هدف این مطالعه توسعه و اعتبارسنجی خارجی یک مدل پیش‌بینی خطر مبتنی بر یادگیری ماشین برای رویدادهای ایسکمیک و خونریزی اصلی در بیماران دریافت‌کننده تزریق شریان کرونر (PCI) و داروهای ضد ترومبوتیک دوگانه (DAPT) بود. همچنین، پتانسیل بالینی و پیامدهای اقتصادی آن نسبت به سیستم‌های امتیازدهی موجود ارزیابی شد. یک مدل LightGBM وزن‌دار بر روی یک کوهورت PCI از امارات متحده عربی (۴،۸۱۲ شرکت‌کننده) آموزش داده شد و سپس در پایگاه داده MIMICIV (۳،۴۰۶ بیمار) اعتبارسنجی خارجی شد. خروجی‌های اصلی شامل رویدادهای ایسکمیک ترکیبی و خونریزی‌های اصلی بود. عملکرد تفکیک‌کنندگی، اصلاح‌پذیری و کاربرد بالینی مدل با استفاده از نمودار اصلاح‌پذیری، AUROC و تحلیل نمودار تصمیم ارزیابی شد. این مدل برای برآورد نتایج اقتصادی تحت استراتژی‌های مدیریتی مبتنی بر هدایت ریسک فرضی استفاده شد. مدل LightGBM وزن‌دار در اعتبارسنجی داخلی مقادیر AUROC ۰.۸۷ برای رویدادهای ایسکمیک و ۰.۸۵ برای رویدادهای خونریزی به دست آورد. در اعتبارسنجی خارجی، مقادیر AUROC به ترتیب ۰.۸۴ و ۰.۸۲ بود. این نتایج بالاتر از عملکرد تفکیک‌کنندگی سیستم‌های امتیازدهی موجود، از جمله DAPT و PRECISE-DAPT بود. تحلیل‌های اکتشافی نشان داد که استراتژی‌های مبتنی بر هدایت ریسک مبتنی بر مدل ممکن است پتانسیل داشته باشند، هرچند این یافته‌ها نیاز به اعتبارسنجی آینده دارند. مدل هوش مصنوعی قابل تفسیر عملکرد تفکیک‌کنندگی و اصلاح‌پذیری خوبی را برای پیش‌بینی خطر ایسکمیک و خونریزی پس از PCI نشان داد. این مدل عملکرد پیش‌بینی بالاتری نسبت به سیستم‌های امتیازدهی سنتی داشت و می‌تواند به عنوان یک ابزار پشتیبانی تصمیم بالقوه برای آگاه‌سازی اعتبارسنجی آینده برای ارزیابی کاربرد بالینی آن عمل کند.

متن کامل اصلی