预测心力衰竭诊断患者住院死亡率:一种机器学习方法

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 对于住院心力衰竭患者的现有风险预测模型在准确性和范围上有局限性.
• 准确预测住院死亡率对于及时干预和在心力衰竭管理中分配资源至关重要.

研究的目的:

• 开发和验证机器学习模型,特别是随机森林模型,用于预测心力衰竭患者住院死亡率.
• 将这些机器学习模型的性能与传统的后勤回归和既定的心力衰竭风险得分进行比较.

主要方法:

• 利用了来自两个学术医疗中心 (培训和验证队列) 的21,802名心力衰竭住院患者的大数据集.
• 收集人口统计数据,医疗相关疾病,生命体征和实验室结果,以构建随机森林机器学习模型.
• 在一个独立的队列中验证了模型,并将性能指标 (c-统计,灵敏度,特异性) 与后勤回归和现有风险得分进行了比较.

主要成果:

• 随机森林模型实现了0.96 (0.95-0.97) 的高c统计值,在整体验证队列中预测住院死亡率的灵敏度为87.3%,特异性为90.6%.
• 模型在不同心力衰竭亚型中表现出强的表现:HFrEF (c-统计值0.96) 和HFpEF (c-统计值0.95).
• 机器学习模型的性能明显优于逻辑回归 (c-统计0.87) 和现有的风险得分,如ADHERE (c-统计0.70) 和GWTG-HF (c-统计0.69) (P <0.001).

结论:

• 使用随时可用的患者信息构建的机器学习模型可以准确预测住院心力衰竭患者的住院死亡率.
• 这些模型比目前的预测工具有了显著的改进,为加强临床决策和患者管理铺平了道路.
• 该研究强调了人工智能在改善心力衰竭患者风险分层方面的潜力.