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 alta percentuale di sopravvivenza. 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 pazienti con IM complicato da ACOF. Questo può aiutare a migliorare la stratificazione del rischio e la gestione dei pazienti. Tuttavia, è necessario ulteriore ricerca 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 disponibili erano limitati. Inoltre, l'algoritmo di clustering utilizzato può essere influenzato dalle caratteristiche dei dati e non è garantito che i sottogruppi identificati siano stabili e generalizzabili. CONCLUSIONI: In conclusione, 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 pazienti con IM complicato da ACOF. Questo può aiutare a migliorare la stratificazione del rischio e la gestione dei pazienti. Tuttavia, è necessario ulteriore ricerca per confermare questi risultati e valutare l'efficacia di questa strategia nella pratica clinica.