ترجمه فارسی مقاله مدل ارزیابی ریسک اولیه برای استراتژی زمان‌بندی ICA در بیماران آنژین ناپایدار با استفاده از یادگیری ماشین چندوجهی

چکیده

Background: Invasive coronary arteriography (ICA) is recognized as the gold standard for diagnosing cardiovascular diseases, including unstable angina (UA). The challenge lies in determining the optimal timing for ICA in UA patients, balancing the need for revascularization in high-risk patients against the potential complications in low-risk ones. Unlike myocardial infarction, UA does not have specific indicators like ST-segment deviation or cardiac enzymes, making risk assessment complex. Objectives: Our study aims to enhance the early risk assessment for UA patients by utilizing machine learning algorithms. These algorithms can potentially identify patients who would benefit most from ICA by analyzing less specific yet related indicators that are challenging for human physicians to interpret. Methods: We collected data from 640 UA patients at Shanghai General Hospital, including medical history and electrocardiograms (ECG). Machine learning algorithms were trained using multi-modal demographic characteristics including clinical risk factors, symptoms, biomarker levels, and ECG features extracted by pre-trained neural networks. The goal was to stratify patients based on their revascularization risk. Additionally, we translated our models into applicable and explainable look-up tables through discretization for practical clinical use. Results: The study achieved an Area Under the Curve (AUC) of $0.719 pm 0.065$ in risk stratification, significantly surpassing the widely adopted GRACE score’s AUC of $0.579 pm 0.044$. Conclusions: The results suggest that machine learning can provide superior risk stratification for UA patients. This improved stratification could help in balancing the risks, costs, and complications associated with ICA, indicating a potential shift in clinical assessment practices for unstable angina.

چکیده به فارسی (ترجمه ماشینی)

سابقه و هدف: شریانیوگرافی عروق کرونر تهاجمی (ICA) به عنوان استاندارد طلا برای تشخیص بیماریهای قلبی عروقی ، از جمله آنژین ناپایدار (UA) شناخته می شود.این چالش در تعیین زمان بهینه برای ICA در بیماران UA است و تعادل نیاز به تجدید عروق در بیماران پرخطر در برابر عوارض احتمالی در افراد کم خطر است.بر خلاف انفارکتوس میوکارد ، UA دارای شاخص های خاصی مانند انحراف بخش ST یا آنزیم های قلبی نیست و ارزیابی ریسک را پیچیده می کند.اهداف: مطالعه ما با استفاده از الگوریتم های یادگیری ماشین ، ارزیابی خطر اولیه برای بیماران UA را تقویت می کند.این الگوریتم ها به طور بالقوه می توانند بیمارانی را که از ICA بهره مند می شوند با تجزیه و تحلیل شاخص های کمتر خاص و در عین حال مرتبط که برای پزشکان انسانی چالش برانگیز هستند ، شناسایی کنند.مواد و روش ها: ما داده ها را از 640 بیمار UA در بیمارستان عمومی شانگهای ، از جمله تاریخ پزشکی و الکتروکاردیوگرام (ECG) جمع آوری کردیم.الگوریتم های یادگیری ماشین با استفاده از خصوصیات جمعیت شناختی چند حالته از جمله عوامل خطر بالینی ، علائم ، سطح نشانگرهای نشانگر و ویژگی های ECG که توسط شبکه های عصبی از قبل آموزش داده شده اند ، آموزش داده شدند.هدف طبقه بندی بیماران بر اساس خطر تجدید عروق آنها بود.علاوه بر این ، ما مدل های خود را به جداول جستجو قابل اجرا و قابل توضیح از طریق گسسته سازی برای استفاده بالینی عملی ترجمه کردیم.یافته ها: این مطالعه منطقه ای را در زیر منحنی (AUC) با 0.719 $ PM 0.065 $ در طبقه بندی ریسک به دست آورد ، و به طور قابل توجهی از AUC نمره Grace که به طور گسترده اتخاذ شده با 0.579 $ PM 0.044 $ پیشی گرفته است.نتیجه گیری: نتایج حاکی از آن است که یادگیری ماشین می تواند طبقه بندی خطر برتر را برای بیماران UA فراهم کند.این طبقه بندی بهبود یافته می تواند به تعادل خطرات ، هزینه ها و عوارض مرتبط با ICA کمک کند و این نشانگر تغییر بالقوه در شیوه های ارزیابی بالینی برای آنژین ناپایدار است.