心不全の高齢患者の1年間の死亡率に関する機械学習の予測: 全国規模,多センター,前向きなコホート研究

科学分野:

• 心臓病学 心臓病学
• ゲリアトリクス ゲリアトリクス
• 医療における人工知能

背景:

• 高齢者の心不全 (HF) リスク予測は,通常,直接的な身体機能測定を無視して,臨床的変数に依存します.
• この制限は,高齢のHF患者に対する正確な予後と,個別化されたケアプランニングを妨げています.

研究 の 目的:

• 機械学習 (ML) モデルを開発および検証し,定期的に収集された機能評価を使用して,HFの高齢者の1年間の全原因死亡率を予測します.
• MLモデルのパフォーマンスを,リスクの階層化を改善するために確立されたリスクスコアと比較する.

主な方法:

• J-Proof HF Registryのデータを活用し,65歳以上でHFのために入院した全米の潜在的なコホートである65歳以上の患者を利用した.
• 機能的評価を含む77の予測要素を組み込んだ eXtreme Gradient Boosting (XGBoost) モデルを開発し,Leave-one-site-outフレームワークを使用してそれを検証しました.
• AHEADとBIOSTATのコンパクトなどの既存のスコアと比較して,モデルの差別化,校正,および臨床的有用性を比較しました.

主要な成果:

• MLモデルは,受信機の動作特性曲線 (AUC) の下の面積を0.76を達成し,確立されたスコアを上回った.
• バーテル指数,短時間物理性能バッテリー,歩行速度,握り力などの放電時の重要な機能指標は,重要な予測指標でした.
• このモデルは,ベンチマークスコアと比較して,優れた臨床的有用性と再分類能力を実証しました.

結論:

• 機能的評価を統合した機械学習モデルは,高齢の心不全患者の1年間の死亡率を効果的に予測します.
• 退院時の機能的状態は重要な予後指標であり,リスクの階層化を高め,退院後のケア戦略に情報を与えます.