metricas
covid
Buscar en
Medicina Clínica (English Edition)
Toda la web
Inicio Medicina Clínica (English Edition) Classification tree obtained by artificial intelligence for the prediction of he...
Journal Information
Vol. 163. Issue 4.
Pages 167-174 (August 2024)
Share
Share
Download PDF
More article options
Vol. 163. Issue 4.
Pages 167-174 (August 2024)
Original article
Classification tree obtained by artificial intelligence for the prediction of heart failure after acute coronary syndromes
Árboles de clasificación obtenidos mediante inteligencia artificial para la predicción de insuficiencia cardiaca tras el síndrome coronario agudo
Alberto Corderoa,
Corresponding author
acorderofort@gmail.com

Corresponding author.
, Vicente Bertomeu-Gonzalezb,c,d, José V. Segurae, Javier Moralese, Belén Álvarez-Álvarezc,f, David Escribanog, Moisés Rodríguez-Maneroc,f, Belén Cid-Alvarezc,f, José M. García-Acuñac,f, José Ramón González-Juanateyc,f, Asunción Martínez-Mayorale
a Departamento de Cardiología, Hospital IMED Elche, Elche, Alicante, Spain
b Grupo de Investigación Cardiovascular, Universidad Miguel Hernández, Elche, Alicante, Spain
c Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV), Madrid, Spain
d Departamento de Cardiología, Clínica Benidorm, Benidorm, Alicante, Spain
e Departamento de Estadística, Matemáticas e Informática, Instituto Universitario Centro de Investigación Operativa (CIO), Universidad Miguel Hernández, Elche, Alicante, Spain
f Departamento de Cardiología, Complejo Hospitalario de la Universidad de Santiago, Santiago de Compostela, A Coruña, Spain
g Departamento de Cardiología, Hospital Universitario de San Juan, San Juan de Alicante, Alicante, Spain
Article information
Abstract
Full Text
Bibliography
Download PDF
Statistics
Figures (3)
Show moreShow less
Tables (3)
Table 1. Initial subgroups of potential predictors considered for the partitioning model.
Table 2. Cohort description according to whether or not they were readmitted for heart failure.
Table 3. Validation measures for event classification at different percentiles with time-to-event curves.
Show moreShow less
Additional material (1)
Abstract
Background

Coronary heart disease is the leading cause of heart failure (HF), and tools are needed to identify patients with a higher probability of developing HF after an acute coronary syndrome (ACS). Artificial intelligence (AI) has proven to be useful in identifying variables related to the development of cardiovascular complications.

Methods

We included all consecutive patients discharged after ACS in two Spanish centers between 2006 and 2017. Clinical data were collected and patients were followed up for a median of 53 months. Decision tree models were created by the model-based recursive partitioning algorithm.

Results

The cohort consisted of 7,097 patients with a median follow-up of 53 months (interquartile range 18–77). The readmission rate for HF was 13.6% (964 patients). Eight relevant variables were identified to predict HF hospitalization time: HF at index hospitalization, diabetes, atrial fibrillation, glomerular filtration rate, age, Charlson index, hemoglobin, and left ventricular ejection fraction. The decision tree model provided 15 clinical risk patterns with significantly different HF readmission rates.

Conclusions

The decision tree model, obtained by AI, identified 8 leading variables capable of predicting HF and generated 15 differentiated clinical patterns with respect to the probability of being hospitalized for HF. An electronic application was created and made available for free.

Keywords:
Acute coronary syndrome
Heart failure
Artificial intelligence
Decision tree model
Machine learning
Resumen
Introducción

La cardiopatía isquémica es la primera causa de insuficiencia cardíaca (IC) y se necesitan herramientas para identificar a los pacientes con mayor probabilidad de desarrollar IC tras un síndrome coronario agudo (SCA). La inteligencia artificial (IA) ha demostrado ser útil para identificar variables relacionadas con el desarrollo de complicaciones cardiovasculares.

Métodos

Incluimos todos los consecutivos dados de alta tras SCA en dos centros españoles entre 2006 y 2017. Se recopilaron datos clínicos y se realizó un seguimiento de los pacientes durante una mediana de 53 meses. Los modelos de árboles de decisión fueron creados por el algoritmo de partición recursivo basado en modelos.

Resultados

La cohorte fue de 7097 pacientes con una mediana de seguimiento de 53 meses (rango intercuartílico 18-77). La tasa de reingreso por IC fue del 13,6% (964 pacientes). Se identificaron ocho variables relevantes para predecir el tiempo de hospitalización por IC: IC en la hospitalización índice, diabetes, fibrilación auricular, tasa de filtración glomerular, edad, índice de Charlson, hemoglobina y fracción de eyección del ventrículo izquierdo. El modelo de árbol de decisiones proporcionó 15 patrones de riesgo clínico con tasas de reingreso por IC estadísticamente diferentes.

Conclusiones

El modelo de árbol de decisión, obtenido por IA, identificó 8 variables principales capaces de predecir IC y generó 15 patrones clínicos diferenciados con respecto a la probabilidad de ser hospitalizado por IC. Se creó una aplicación electrónica gratuita.

Palabras clave:
Síndrome coronario agudo
Insuficiencia cardiaca
Inteligencia artificial
Modelo de árbol de decisión
Aprendizaje automático

Article

These are the options to access the full texts of the publication Medicina Clínica (English Edition)
Subscriber
Subscriber

If you already have your login data, please click here .

If you have forgotten your password you can you can recover it by clicking here and selecting the option “I have forgotten my password”
Subscribe
Subscribe to

Medicina Clínica (English Edition)

Purchase
Purchase article

Purchasing article the PDF version will be downloaded

Price 19.34 €

Purchase now
Contact
Phone for subscriptions and reporting of errors
From Monday to Friday from 9 a.m. to 6 p.m. (GMT + 1) except for the months of July and August which will be from 9 a.m. to 3 p.m.
Calls from Spain
932 415 960
Calls from outside Spain
+34 932 415 960
E-mail
Article options
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos

Quizás le interese:
10.1016/j.medcle.2023.05.021
No mostrar más