无监督机器学习识别急性心肌梗死的五种表型及其对住院时间的影响
本研究利用混合数据因子分析(FAMD)和k-means聚类算法,对1460名急性心肌梗死患者的37项临床、实验室和血管造影变量进行无监督机器学习分析,成功识别出五种具有显著临床差异的患者表型;研究发现第二聚类(C2)患者(占总样本14.0%)具有最高龄、最多合并症(平均4种)、最低射血分数(38%)和最高NT-proBNP水平(4377 pg/mL),且住院时间显著延长(中位数11天vs其他组7天,p<10^-14),表明基于机器学习的表型分类可有效识别高风险患者,为心肌梗死后个体化诊疗和资源分配提供重要依据,具有显著的临床应用价值。

