预测心力衰竭患者的死亡和再住院风险:通过机器学习方法进行回顾性队列研究

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:

• 心力衰竭 (HF) 影响全球超过2600万.
• 预测HF患者的死亡率和再接收对于有效的管理至关重要.
• 现有的方法可能无法充分利用复杂的患者数据进行风险分层.

研究的目的:

• 评估10个机器学习 (ML) 算法,用于预测HF患者的死亡率和再入院率.
• 使用FaRSH数据库识别最佳的ML算法来进行风险分层.
• 通过准确的,数据驱动的风险预测,增强临床决策.

主要方法:

• 使用了Fasa注册系统性心力衰竭 (FaRSH) 数据库.
• 训练并评估了10个不同的ML算法.
• 使用精度,F1得分,灵敏度,特异性和AUC进行模型比较.

主要成果:

• 在10个模型中,CatBoost (CAT) 算法表现出卓越的性能.
• 确定的关键预测因素包括住院时间长,血红蛋白水平以及心肌梗塞 (MI) 的家族史.
• 对2488名参与者的结局显示,再接收率为14.7%,死亡率为3.9% (1个月) 和13.7% (1年).

结论:

• 基于ML的工具可以有效地对HF死亡率和再接收风险进行分层.
• 个性化风险预测得到了ML模型的增强.
• 医生对关键特征的影响有直观的洞察力,以便更好地照顾患者.