预测心力衰竭需要先进的治疗方法,使用可解释的基于热带几何学的模糊神经网络

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 及时推送先进疗法 (心脏移植,左心室辅助装置) 对于最佳的心力衰竭患者的结果至关重要.
• 电子健康记录 (EHR) 为开发预测性临床决策系统提供了宝贵的资源.
• 预测基于单次住院治疗的先进疗法需求可以改善患者管理.

研究的目的:

• 开发一个可解释的临床决策系统,使用来自单次住院的EHR数据.
• 预测心力衰竭患者在随后住院时需要先进疗法 (心脏移植,左心室辅助装置).
• 创建一个透明和可访问的系统来识别高风险患者.

主要方法:

• 在300名心力衰竭患者 (2013-2021) 的EHR数据上使用模糊逻辑和热带几何学训练了一种可解释的机器学习模型.
• 利用左心室喷射率≤35%和一年内至少两次心力衰竭住院的患者的数据.
• 评估模型性能,使用接收器操作曲线 (AUC) 下的面积,精度回忆曲线 (AUPRC) 下的面积和F1得分,初始化临床知识.

主要成果:

• 该模型实现了平均AUC为0.747 (0.080),AUPRC为0.642 (0.080),F1得分为0.569 (0.067).
• 与其他机器学习方法相比,表现出优异的预测性能和可解释性.
• 确定了关键的风险因素,并生成了透明的规则集,以证明先进的心力衰竭治疗的预测是合理的.

结论:

• 通过使用透明和可访问的临床规则,成功预测了先进心力衰竭治疗的需要.
• 开发的系统可以帮助识别需要先进干预的患者.
• 需要进一步的前性研究来验证已识别的风险因素.