An Artificial Intelligence based model for predicting long-term all-cause mortality after acute Myocardial Infarction (the AIMI model)
Rattachement africain : cn, de. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Abstract Aims Predicting long-term mortality after acute myocardial infarction (AMI) remains challenging. We aimed to establish an Artificial Intelligence—based model for predicting long-term all-cause mortality after AMI (the AIMI model). Methods and results AIMI model was employed by RF (Random forest). Individual predictions were visualized by SHAP plots. AIMI model was compared against existing clinical risk scores using time-dependent ROC (receiver operating characteristic) curves, and Kaplan-Meier (K-M) analyses. External validation was also performed at the same way. Brier scores were calculated in validation cohorts. We consecutively enrolled 4825 AMI patients underwent emergent coronary angiography or PCI procedures within 24 h of symptom onset to train and test the AIMI model and 723 AMI patients for external validation. Model incorporated 15 variables achieved robust performance (C-index = 0.81). As indicated by AUCs in the test set, AIMI model outperformed GRACE and TIMI risk scores across short-, mid- and long-term periods, especially for long-term prediction (1, 3 and 5 years). K-M curves confirmed precise discrimination between low-, median-, and high-risk groups (all P < 0.05). External validation confirmed good generalization and robustness for AIMI model (AUCs: 0.88, 0.91, 0.83, 0.75, 0.78 and 0.77 during hospitalization, at 30 days, half-year, 1-year, 2-years and 3-years follow-up; comparisons of K-M curves across three risk groups, all P < 0.05). Brier scores demonstrated good individual level performance (internal validation cohort: 0.022; external validation: 0.021). Conclusion The AIMI model surpassed traditional methods for long-term all-cause death prediction after AMI. AI-based model demonstrated potential to enhance risk stratification and guide post-discharge management.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- An Artificial Intelligence based model for predicting long-term all-cause mortality after acute Myocardial Infarction (the AIMI model)
- Date Crossref
- 18/05/2026
- Éditeur
- Oxford University Press (OUP)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Chinese Academy of Medical Sciences & Peking Union Medical College pays non établi dans la noticeUniversité ou école supérieure
-
Peking Union Medical College Hospital pays non établi dans la noticeÉtablissement de santé
-
Fu Wai Hospital pays non établi dans la noticeÉtablissement de santé
-
Second Hospital of Shandong University pays non établi dans la noticeÉtablissement de santé
-
Qilu Hospital of Shandong University Department of Thoracic Surgery pays non établi dans la noticeÉtablissement de santé
-
German Research Centre for Artificial Intelligence pays non établi dans la noticeOrganisme public
-
Shandong University pays non établi dans la noticeUniversité ou école supérieure
-
Shandong Management University pays non établi dans la noticeUniversité ou école supérieure
-
Nantong University Department of Cardiothoracic Surgery pays non établi dans la noticeUniversité ou école supérieure
-
Affiliated Hospital of Nantong University pays non établi dans la noticeÉtablissement de santé
-
Beijing Chaoyang Emergency Medical Center pays non établi dans la noticeÉtablissement de santé
-
Qingdao Binhai University pays non établi dans la noticeUniversité ou école supérieure
Chinese Academy of Medical Sciences & Peking Union Medical College, Peking Union Medical College Hospital et Fu Wai Hospital, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.