撰文Yotsunoha
编辑四叶草
背景当前针对急性冠脉综合征（ACS）后缺血和出血事件的预测工具的准确性仍不足以针对个性化的患者管理策略。本文开发了一种基于机器学习的风险分层模型，以预测ACS导致的全因死亡，反复发作的急性心肌梗塞和大出血。
方法在名ACS成人患者中，使用了不同的机器学习模型来预测出院后1年全因死亡，心肌梗塞和大出血。分为80％的训练队列和20％内部验证队列，其中包括多个大洲的患者。模型（thePRAISEscore）纳入了出院时常规评估的25种临床特征。外部验证队列包括一项RCT研究和三个前瞻性注册研究的名ACS患者。
发现PRAISE评分显示内部验证队列预测1年全因死亡率的AUC为0·82（95％CI0·78-0·85），外部验证队列的AUC为0·92（0·90-0·9）；内部验证队列预测1年心肌梗死的AUC为0·74（0·70-0·78），外部验证队列AUC为0·81（0·76-0·85）；内部验证队列预测1年大出血的AUC为0·70（0·66-0·75），外部验证队列的AUC为0·86（0·82-0.89）。
这是雷达图，展示的是8个与结局指标最相关的预测因素。每个指标的重要性因结果而异。
图为训练集，内部验证集以及外部验证集不同结局指标的结果的结果。
图中展示的是预测结果与实际观察结果的对比。整体效果较好，并且三种不同结局的分布模式类似。
结果
PRAISE风险评分是可行和有效的，对指导临床决策和优化护理质量具有潜在的重要意义。
Yotsunoha