Gensini-Score und Herzkomplikationen nach ACS-Behandlung

Akutes Koronarsyndrom (ACS) ist ein ernstes Gesundheitsproblem, das viele Menschen weltweit betrifft. Es ist eine Art von Herzkrankheit, die zu schweren Komplikationen und sogar zum Tod führen kann. Mit dem Alter steigen die Chancen, ACS zu erleben, erheblich, was es zu einem grossen Anliegen für ältere Menschen macht.

Behandlungen für ACS umfassen Verfahren wie die perkutanen koronaren Intervention (PCI), die hilft, den Blutfluss zum Herzen wiederherzustellen. Allerdings haben die Patienten oft andere Gesundheitsprobleme, wie Bluthochdruck oder Diabetes, die ihr Risiko für weitere herzbezogene Probleme nach der Behandlung erhöhen.

Um Ärzten zu helfen, vorherzusagen, wer in Zukunft Probleme haben könnte, suchen Forscher nach verschiedenen Zeichen oder Indikatoren. Sie verwenden Dinge wie Blutuntersuchungen oder Werte, die die Herzgesundheit bewerten. Diese Indikatoren können Ärzten helfen, wie sie Patienten am besten behandeln, aber viele davon stehen nicht direkt in Verbindung mit ACS.

Ein Wert, der heraussticht, ist der Gensini-Score (GS). Dieser Score hilft zu messen, wie stark die Koronararterien einer Person blockiert sind. Obwohl Studien gezeigt haben, dass er helfen kann, die Ergebnisse für Patienten, die sich einer PCI unterziehen, vorherzusagen, wurden bisher keine spezifischen Modelle basierend auf dem GS für ACS-Patienten entwickelt.

Mit den Fortschritten in der Technologie wird Maschinelles Lernen (ML) zu einem vielversprechenden Werkzeug im Gesundheitswesen. Es ermöglicht Forschern, grosse Datenmengen zu analysieren, um Muster zu finden, die Vorhersagen über Gesundheitsergebnisse verbessern können.

In dieser Studie ist das Ziel, ML anzuwenden, um zu sehen, wie gut der Gensini-Score die Chancen vorhersagen kann, in ACS-Patienten nach der Behandlung weitere Herzprobleme zu haben.

#Datenquelle

Die Studie umfasst Patienten, die zwischen Januar 2019 und Dezember 2020 das Brustschmerzzentrum eines Krankenhauses in China besucht haben. Die Forschung erhielt die Genehmigung des Ethikkomitees des Krankenhauses, um sicherzustellen, dass sie den ethischen Standards entspricht.

#Studienpopulation

Insgesamt wurden 455 Patienten mit Brustschmerzen aus den Krankenhausakten identifiziert. Verschiedene Kriterien wurden verwendet, um Patienten auszuschliessen, die nicht die Anforderungen für die Studie erfüllten. Dazu gehören Personen, die bereits Herzoperationen durchlaufen hatten, Brustschmerzen hatten, die nicht mit Herzproblemen in Verbindung standen, oder unvollständige medizinische Unterlagen hatten.

Schliesslich wurden 361 Patienten in die endgültige Analyse einbezogen. Die Studie hatte das Ziel festzustellen, ob diese Patienten innerhalb eines zweijährigen Zeitraums nach ihrer Erstbehandlung weitere Komplikationen erlebten.

#Gensini-Score

Für die in die Studie einbezogenen Patienten wurde der Gensini-Score unter Verwendung ihrer Ergebnisse aus der koronaren Angiografie berechnet. Dieser Prozess bewertete die Schwere der Blockaden in ihren Arterien. Jede Blockadestufe erhielt einen spezifischen Wert, und diese Werte wurden kombiniert, um einen Gesamt-Gensini-Score für jeden Patienten zu erhalten.

Die Ergebnisse wurden in vier Gruppen eingeteilt: keine Blockade, leichte Blockade, mässige Blockade und schwere Blockade. Diese Klassifizierung hilft, das Risiko zukünftiger Herzprobleme basierend auf dem Grad der Verstopfung in den Arterien zu bestimmen.

#Statistische Analyse

Die Forscher verwendeten Software zur Analyse der Daten und betrachteten sowohl kategoriale Daten (wie das Vorhandensein oder Fehlen von Symptomen) als auch kontinuierliche Daten (wie Alter und Testergebnisse). Verschiedene Modelle des maschinellen Lernens wurden getestet, um herauszufinden, welches am besten vorhersagen konnte, wie wahrscheinlich es ist, dass Patienten innerhalb von zwei Jahren nach der Behandlung weitere Komplikationen erleben.

Die verwendeten Modelle umfassten XGBoost, stochastischen Gradientenabstieg (SGD) und K-Nearest Neighbors (KNN). Die Leistung jedes Modells wurde bewertet, basierend darauf, wie genau es die Ergebnisse vorhersagen konnte. Wichtige Kennzahlen wie Genauigkeit und Fläche unter der Kurve (AUC) wurden berechnet, um festzustellen, welches Modell am besten abschneidet.

#Korrelation zwischen Variablen

Die Analyse der Daten offenbarte starke Beziehungen zwischen verschiedenen medizinischen Indikatoren. Zum Beispiel wurden bestimmte Bluttestergebnisse als hoch korreliert miteinander festgestellt. Diese Korrelationen geben Einblicke, wie verschiedene Gesundheitsmarker miteinander in Beziehung stehen könnten, und helfen, relevante Informationen für die Modelle einzugrenzen.

#Modellentwicklung und Validierung

Der Datensatz wurde in zwei Teile aufgeteilt: ein Trainingssatz zur Erstellung der Modelle und ein Testsatz zur Bewertung dieser. Das XGBoost-Modell zeigte die höchste Genauigkeit und war somit das zuverlässigste zur Vorhersage der Ergebnisse in dieser Studie.

Die Forscher betrachteten die Bedeutung verschiedener Faktoren in den Modellen. Die Ergebnisse deuteten darauf hin, dass der Gensini-Score einer der bedeutendsten Prädiktoren für zukünftige Komplikationen war. Dies unterstreicht seinen Wert bei der Bewertung der Herzgesundheit.

#Entscheidungsbaum-Modell

Ein Entscheidungsbaum-Modell wurde erstellt, basierend auf den wichtigsten Faktoren, die in den vorherigen Analysen identifiziert wurden. Dieses Modell stellt visuell dar, wie verschiedene Gesundheitsvariablen die Wahrscheinlichkeit beeinflussen, weitere Komplikationen zu erleben.

Mit diesem Modell konnten die Forscher Grenzwerte festlegen, die helfen, Patienten basierend auf ihrem Risiko zu klassifizieren. Zum Beispiel konnten sie zeigen, dass niedrigere Gensini-Scores mit besseren langfristigen Ergebnissen korrelieren.

#Implikationen für die Patientenversorgung

Die Ergebnisse dieser Studie betonen die Bedeutung der Verwendung des Gensini-Scores in Kombination mit anderen klinischen Indikatoren, wie Alter und spezifischen Blutmarkern, um die Gesundheit der Patienten nach der Behandlung für ACS vorherzusagen.

Durch die genaue Identifizierung von Patienten mit höherem Risiko für Komplikationen können Gesundheitsdienstleister besser informierte Entscheidungen über Behandlung und Nachsorge treffen.

#Einschränkungen der Studie

Es gibt einige Einschränkungen für diese Studie. Erstens wurden die Daten aus einem einzigen Krankenhaus gesammelt, was die Anwendbarkeit der Ergebnisse auf alle Patienten beeinträchtigen könnte. Darüber hinaus basierte der Follow-up-Prozess auf einer strengen Reihe von Bedingungen, was bedeutete, dass realweltliche Faktoren, die die Ergebnisse der Patienten beeinflussen könnten, nicht berücksichtigt wurden.

Zukünftige Forschungen sollten darauf abzielen, grössere und vielfältigere Patientengruppen einzubeziehen und weitere Variablen zu betrachten, die die Ergebnisse beeinflussen könnten.

#Fazit

Diese Studie zeigt, dass der Gensini-Score ein wertvolles Tool zur Vorhersage langfristiger Ergebnisse bei ACS-Patienten nach der Behandlung sein kann. Durch die Einbeziehung von Techniken des maschinellen Lernens können Forscher Daten effektiver analysieren, um Risikofaktoren zu identifizieren und die Patientenversorgung zu verbessern.

Das in dieser Studie erstellte Entscheidungsbaum-Modell kann Gesundheitsfachleuten helfen, die Wahrscheinlichkeit von Komplikationen besser zu verstehen, wodurch sie in der Lage sind, die Behandlung zu steuern und die Patienten Ergebnisse im Laufe der Zeit zu verbessern.