使用监督学习技术,针对严重腹反和心力衰竭的风险分层

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:

• 二次 mitrale 吐 (sMR) 显著影响心力衰竭 (HF) 患者的结果,包括生活质量,再住院和死亡率.
• 识别高风险患者队列对于了解疾病进展和实施有效的风险分层策略至关重要.

研究的目的:

• 开发一种结构化,类似于决策树的方法,用于严重sMR和HF患者的风险分层.
• 在高频谱中识别不同的患者子组,具有不同的死亡风险.

主要方法:

• 一项观察性研究涉及1,317名患有严重sMR的患者,涉及整个高频谱.
• 收集了临床,心声和实验室数据.
• 监督机器学习技术的生存树分析被用来识别死亡风险子组,按HF亚型分层.

主要成果:

• 通过生存树分析确定了八个不同的患者子组,具有显著不同的长期存活率.
• 7小组 (年轻,血红蛋白和白蛋白较高) 显示出最好的生存率.
• 5小组 (老年人,低白蛋白,高NT-proBNP) 显示死亡风险增加了20倍 (HR:20.38).
• 鉴于HF的独特风险小组,保留,轻微减少和减少喷射分数.

结论:

• 监督机器学习有效地揭示了sMR和HF患者死亡风险的显著异质性.
• 一个类似于决策树的模型通过区分已识别的子组之间的结果,为量身定制的风险分层提供了一个有价值的工具.