La pericarditis recurrente (PR) es una enfermedad compleja con alta morbilidad

Estudios anteriores han evaluado qué variables se asocian con la remisión clínica

Sin embargo, actualmente no existen modelos de estratificación de riesgo establecidos para predecir los resultados en estos pacientes.

Desarrolló un modelo de estratificación de riesgo que predice resultados a largo plazo en pacientes con RP y es capaz de identificar pacientes con características predictivas de resultados adversos.

Se estudiaron retrospectivamente un total de 365 pacientes consecutivos con PR desde 2012 hasta 2019.

El resultado primario fue la respuesta clínica (RC), definida como la interrupción de todos los tratamientos antiinflamatorios y la resolución completa de los síntomas.

Se utilizaron cinco modelos de supervivencia de aprendizaje automático para calcular la probabilidad de RC en 5 años y clasificar a los pacientes en grupos de riesgo alto, riesgo intermedio y riesgo bajo.

En esta cohorte, la edad media fue de 46 ± 15 años y 205 (56%) eran mujeres. 118 pacientes (32%) lograron RC

El modelo final incluyó la dependencia de esteroides, el número total de recaídas, el realce pericárdico tardío con gadolinio, la edad, la etiología, el sexo, la fracción de eyección y la frecuencia cardíaca como parámetros más importantes.

El modelo predijo el resultado con un índice C de 0,800 en el conjunto de pruebas y mostró una capacidad significativa para estratificar a los pacientes en grupos de riesgo bajo, intermedio y alto (prueba de rango logarítmico; P < 0,0001).

Se desarrolló un nuevo modelo de estratificación de riesgo para predecir la RC en RP.

Nuestro modelo también puede ayudar a estratificar a los pacientes con un alto poder discriminatorio.

El uso de modelos de aprendizaje automático interpretables puede ayudar a los médicos a tomar decisiones de tratamiento personalizadas para los pacientes con RP

Características iniciales de la cohorte general y los grupos de resultados.

Comparar el rendimiento predictivo de diferentes modelos

Diagrama de flujo de investigación que describe el flujo de trabajo de la investigación.

Interpretación global e importancia de las características del modelo Xgb.

Interpretabilidad global de los modelos XGB y las 20 características más influyentes

Dibujar gráfico de dependencia de características SHAP

El impacto de ciertas variables continuas en la salida del modelo predictivo se muestra en un gráfico de dependencia SHAP.

Modelos de riesgo y evaluación de modelos.

Estrategia de segmentación de datos

Curvas de Kaplan-Meier para parámetros específicos

Evaluar la capacidad del modelo para estratificar el riesgo de forma independiente dentro de subgrupos de cohortes mediante análisis de subgrupos basados ​​en cada variable.

El modelo demuestra un rendimiento sólido en la estratificación del riesgo de subgrupos de cohortes, mostrando que las tasas de respuesta clínica disminuyen proporcionalmente al aumentar la puntuación de riesgo.

Curvas de Kaplan-Meier de los grupos de puntuación del conjunto de entrenamiento y del conjunto de prueba

El modelo demuestra un rendimiento sólido en la estratificación del riesgo de subgrupos de cohortes

Gráfico de calibración del modelo final en la cohorte de prueba.

Características de referencia del conjunto de entrenamiento y del conjunto de prueba.

El espacio de hiperparámetros del modelo.

Puntajes exportados del modelo final de riesgos proporcionales de Cox

Características iniciales de los grupos de riesgo.

Incidencia acumulada anual de remisión clínica por estratificación de riesgo durante 5 años