電子カルテにおける左室駆出率保持型心不全の検出のための人工知能手法：公平な疾患検出モデル

科学分野:

• 循環器病学
• 医療情報学
• 機械学習

背景:

• 左室駆出率保持型心不全（HFpEF）は心不全患者のほぼ半数に影響を与え、重大な罹患率および死亡率のリスクをもたらします。
• HFpEFの診断不全は一般的であり、特に従来のリスクスコアの精度が低い可能性のある非白人集団で顕著です。
• 既存の予測モデルは、多様な患者グループにおける診断格差を適切に対処していない可能性があります。

研究 の 目的:

• 欧州心臓病学会（ESC）基準に基づいたHFpEFの公平な診断予測モデルを開発・検証すること。
• 電子カルテ（EHR）データを使用した自動検出が可能なAIM-HFpEFというモデルを作成すること。
• 診断精度について、既存のH2FPEFやHFpEF-ABAなどのモデルと比較してAIM-HFpEFをベンチマークすること。

主な方法:

• ロンドンの三次病院信託からのEHRデータに自然言語処理（NLP）および機械学習（XGBoost）を適用しました。
• 3173人の患者からの人口統計学的、臨床的、および心エコー検査データを使用してAIM-HFpEFモデルを導出しました。
• 5383人の患者でモデルを外部検証し、H2FPEFおよびHFpEF-ABAと比較してそのパフォーマンスを評価し、特に非白人民族グループおよび社会経済的に剥奪された地域でのパフォーマンスを分析しました。

主要な成果:

• AIM-HFpEFモデルは、誘導（AUC=0.88）および検証（AUC=0.88）コホートの両方で強力な診断パフォーマンスを示しました。
• 非白人患者（AUC=0.89）および社会経済的に剥奪された地域からの患者（AUC=0.90）でも一貫した診断精度が観察されました。
• AIM-HFpEFはH2FPEFおよびHFpEF-ABAモデルを上回り、死亡、入院、脳卒中のリスク増加に関連する確率を示しました。

結論:

• AIM-HFpEFは、EHRシステムに統合できるHFpEFの検証済みで公平な診断モデルです。
• このモデルは、診断ギャップに対処するHFpEFの完全自動検出を容易にします。
• このアプローチは、多様な患者集団におけるHFpEFのタイムリーな診断と管理を改善する可能性があります。