Aggruppamento fenotipico dell'infarto miocardico complicato da arresto cardiaco fuori dall'ospedale utilizzando l'apprendimento automatico non supervisionato.

BACKGROUND: I pazienti con infarto miocardico (IM) complicato da arresto cardiaco fuori dall'ospedale (ACOF) rappresentano una popolazione eterogenea con esiti variabili. Le approcci basati su dati possono aiutare a scoprire sottogruppi clinicamente significativi per migliorare la stratificazione del rischio e guidare la gestione. METODI: Abbiamo applicato un'analisi di apprendimento automatico non supervisionata utilizzando l'algoritmo di clustering k-means a una cohorte prospettica di 478 pazienti ammessi dopo ACOF correlato all'IM. Le variabili candidate includevano demografia, fattori di rischio cardiovascolare, caratteristiche dell'arresto cardiaco, dati di laboratorio di ammissione, parametri emodinamici e risultati dell'angiografia coronarica. Gli esiti in ospedale includevano mortalità per tutte le cause, RISULTATI: I risultati mostrano che i pazienti possono essere suddivisi in tre sottogruppi con esiti clinici distinti. Il sottogruppo 1 presentava un alto rischio di mortalità e una bassa percentuale di sopravvivenza. Il sottogruppo 2 aveva un rischio intermedio di mortalità e una percentuale di sopravvivenza intermedia. Il sottogruppo 3 presentava un basso rischio di mortalità e una percentuale di sopravvivenza alta. La classificazione dei pazienti in questi sottogruppi può aiutare a migliorare la gestione e la previsione degli esiti in pazienti con IM complicato da ACOF. DISCUSSIONE: I risultati di questo studio suggeriscono che l'analisi di apprendimento automatico può essere utilizzata per identificare sottogruppi di pazienti con esiti clinici distinti in base ai dati di laboratorio e alle caratteristiche dell'arresto cardiaco. Questo può aiutare a migliorare la stratificazione del rischio e la gestione dei pazienti con IM complicato da ACOF. Tuttavia, ulteriori ricerche sono necessarie per confermare questi risultati e valutare l'efficacia di questa strategia nella pratica clinica. LIMITAZIONI: Questo studio ha alcune limitazioni. La cohorte di pazienti era limitata e i dati di laboratorio e le caratteristiche dell'arresto cardiaco potrebbero non essere rappresentativi di tutti i pazienti con IM complicato da ACOF. Inoltre, l'analisi di apprendimento automatico utilizzata in questo studio potrebbe non essere applicabile a tutti i casi di IM complicato da ACOF. CONCLUSIONI: I risultati di questo studio suggeriscono che l'analisi di apprendimento automatico può essere utilizzata per identificare sottogruppi di pazienti con esiti clinici distinti in base ai dati di laboratorio e alle caratteristiche dell'arresto cardiaco. Questo può aiutare a migliorare la stratificazione del rischio e la gestione dei pazienti con IM complicato da ACOF.