A pericardite recorrente (PR) é uma doença complexa e de alta morbidade

Estudos anteriores avaliaram quais variáveis ​​estão associadas à remissão clínica

No entanto, atualmente não existem modelos de estratificação de risco estabelecidos para prever os resultados nestes pacientes

Desenvolveu um modelo de estratificação de risco que prevê resultados a longo prazo em pacientes com FRy e é capaz de identificar pacientes com características preditivas de resultados adversos

Um total de 365 pacientes consecutivos com PR de 2012 a 2019 foram estudados retrospectivamente

O desfecho primário foi a resposta clínica (RC), definida como descontinuação de todos os tratamentos antiinflamatórios e resolução completa dos sintomas

Cinco modelos de sobrevivência de aprendizado de máquina foram usados ​​para calcular a probabilidade de RC dentro de 5 anos e classificar os pacientes em grupos de alto risco, risco intermediário e baixo risco

Nesta coorte, a média de idade foi de 46±15 anos e 205 (56%) eram do sexo feminino. 118 pacientes (32%) alcançaram RC

O modelo final incluiu dependência de esteróides, número total de recidivas, realce tardio pericárdico com gadolínio, idade, etiologia, sexo, fração de ejeção e frequência cardíaca como os parâmetros mais importantes

O modelo previu o resultado com um índice C de 0,800 no conjunto de teste e mostrou capacidade significativa de estratificar pacientes em grupos de baixo, intermediário e alto risco (teste log-rank; P <0,0001)

Um novo modelo de estratificação de risco foi desenvolvido para prever RC em PR.

Nosso modelo também pode ajudar a estratificar pacientes com alto poder discriminatório

O uso de modelos interpretáveis ​​de aprendizado de máquina pode ajudar os médicos a tomar decisões de tratamento personalizadas para pacientes com RP

Características basais da coorte geral e dos grupos de resultados

Compare o desempenho preditivo de diferentes modelos

Fluxograma de pesquisa que descreve o fluxo de trabalho da pesquisa

Interpretação global e importância dos recursos do modelo Xgb

Interpretabilidade global dos modelos XGB e os 20 recursos mais influentes

Desenhe o gráfico de dependência do recurso SHAP

O impacto de certas variáveis ​​contínuas na saída do modelo preditivo é mostrado em um gráfico de dependência SHAP

Modelos de risco e avaliação de modelos

Estratégia de segmentação de dados

Curvas de Kaplan-Meier para parâmetros específicos

Avalie a capacidade do modelo de estratificar o risco de forma independente dentro dos subgrupos de coorte por meio de análises de subgrupos com base em cada variável

O modelo demonstra um desempenho robusto na estratificação de risco de subgrupos de coorte, mostrando que as taxas de resposta clínica diminuem proporcionalmente com o aumento da pontuação de risco

Curvas de Kaplan-Meier de grupos de pontuação de conjunto de treinamento e conjunto de teste

O modelo demonstra desempenho robusto na estratificação de risco de subgrupos de coorte

Gráfico de calibração do modelo final na coorte de teste

Recursos básicos do conjunto de treinamento e conjunto de teste

O espaço de hiperparâmetros do modelo

Pontuações exportadas do modelo final de riscos proporcionais de Cox

Características basais dos grupos de risco

Incidência cumulativa anual de remissão clínica por estratificação de risco ao longo de 5 anos