胸痛是急诊的第二大原因，通常被认为是低价值医疗服务的主要驱动因素。胸痛患者的病情检查方案旨在诊断潜在的主要不良心脏事件(MACE)。主要不良心脏事件(MACE)的漏诊可能会导致医疗法律诉讼，这可能会让医生或医疗机构去对患者做没有任何健康益处的保护性检查。准确识别主要不良心脏事件(MACE)低风险患者对于改善资源配置和减少过度治疗非常重要。
本文作者评估了若干机器学习算法(套索、样条、随机森林、极端梯度提升、贝叶斯可加回归树)和SuperLearner叠加集成。他们通过嵌套集成来调整机器学习超参数，并利用广义低秩模型(GLRM)来估算缺失值。他们根据关键的生物标志物、经验证过的临床风险评分、决策树和逻辑回归对性能进行了基准测试。他们通过变量重要性排序和累积局部效应可视化来解释这些模型。
相比于更简单的替代方案，机器学习算法的使用，结合广泛的预测因子集，改进了主要不良心脏事件(MACE)的风险预测，同时提供了经校准后的预测和可解释性。
如需要《用于预测成人胸痛患者60天主要不良心脏事件风险的集成机器学习预后模型的开发》（英文，共23页），请在本