预测急性心力衰竭再住院的深度学习:模型基础和外部验证

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 心力衰竭 (HF) 再住院在患者管理中构成了重大挑战.
• 现有的高频再住院风险预测模型往往缺乏深度学习和现实数据的整合.
• 准确预测HF再住院的情况对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证基于深度学习的预测模型,用于心力衰竭 (HF) 再住院.
• 预测急性HF (AHF) 出院后30,90和365天的HF再入院情况.
• 通过使用现实世界的数据,识别导致HF再住院的关键预后特征.

主要方法:

• 利用了2014年1月至2019年1月期间因急性心力衰竭 (AHF) 住院的患者的现实数据.
• 采用深度学习算法,包括过度波动的触点激活层和具有封闭的反复单元的反复层.
• 通过使用曲线下面面积 (AUC),精度,回忆,特异性和F1得分来评估预测性能,并根据特征重要性进行沙普利值分析.

主要成果:

• 确定了22个预后特征 (6个时间独立,16个时间依赖),与HF再住院显著相关.
• 实现了预测在30,90和365天内重新入院的中度歧视 (AUC:分别为0.63,0.74和0.76).
• 发现随访期间的特征比早期时间点的特征更为显著地对高频再入院预测作出了贡献.

结论:

• 开发的深度学习模型提供了对心力衰竭的有效预测,可在出院后长达一年的时间内重新入院.
• 该模型可以指导针对HF患者实施有针对性的干预措施和护理策略.
• 密切的患者监测和定期的血液检查对于评估再住院风险至关重要.