使用可解释机器学习来表征高级心力衰竭风险和血液动力学表型

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 现有的先进心力衰竭与减少喷射率 (HFrEF) 的风险模型往往缺乏侵入性血液动力学和对缺失数据的稳健处理的整合.
• 本研究解决了在HFrEF管理中需要先进的风险分层工具的需求.

研究的目的:

• 使用可解释的机器学习 (ML) 来开发和验证心力衰竭 (HF) 血动力学风险和HFrEF的表型评分.
• 根据复合终点预测患者风险类别 (1-5),利用侵入性和综合性特征集.

主要方法:

• 患者被分为5个风险组,使用基于复合终点的无监督聚类 (死亡,LVAD,移植,在6个月内再住院).
• 开发了可解释的ML模型,以使用侵入性血液动力学或包括非侵入性数据在内的综合特征集来预测这些风险类别.
• 在ESCAPE试验数据上训练模型,并在四个额外的高级HF队列中进行验证.

主要成果:

• 开发的ML模型在预测患者所有结果的风险类别方面表现出高准确性.
• 风险类别的预测准确度在侵入性血液动力学组的0.896到0.969之间,在所有特征组的0.858到0.997之间.
• 这些模型证明对缺少的数据具有稳定性,提高了它们的临床适用性.

结论:

• 新的可解释的ML模型准确地预测HFrEF中的不同风险类别,提供了超越二元结果预测的新范式.
• 这种方法促进了细微的风险分层,可能引导高级HF患者个性化治疗选择.
• 建议进一步进行前性临床评估,以确定这种风险分层方法在临床实践中的有用性.