通过使用电子健康记录数据,将心力衰竭与保留或轻微减少的喷射分数进行现象分组

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) 保持或轻微减少喷射分数是一个异质的条件.
• 将其重新分类为不同的现象组对于有针对性的干预至关重要.
• 电子健康记录 (EHR) 数据为患者分层提供了宝贵的资源.

研究的目的:

• 通过使用EHR数据,在HF群体内识别不同的现象组.
• 为了比较已识别的现象组的临床特征和结果.
• 评估现象组对预测患者结果的有用性.

主要方法:

• 利用了来自2,187名英国医院患者的EHR数据,其中HF和射出分数≥40%.
• 应用无监督机器学习集群技术 (基于分区,基于模型,基于密度).
• 采用Cox比例风险和细灰竞争风险模型来分析结果 (死亡率,高风险住院).

主要成果:

• 确定了三个不同的现象组: 1) 年轻,女性,心脏代谢/冠状动脉疾病; 2) 虚弱,肺部疾病,心房动; 3) 系统性炎症,糖尿病,功能障碍.
• 在现象群中表现出明显的生存概况,增加了全因死亡风险 (p < 0.001).
• 现象组成员显著改善了比传统因素更好的生存预测,但没有预测HF住院治疗.

结论:

• 无监督机器学习有效地从EHR数据中识别出具有明显临床特征和生存概况的现象组.
• 这些现象组为个性化医学提供了一种新的方法来分层HF患者.
• 进一步的研究可能会对特定HF亚型的现象组定义及其预测价值进行细化.