无监督的机器学习用于识别心脏重症监护病房心力衰竭患者的亚现象

科学领域:

• 心脏病学 心脏病学
• 密集护理医学 密集护理医学
• 医疗保健中的机器学习

背景情况:

• 患有心力衰竭 (HF) 的住院患者代表了一个异质的群体,具有各种拟议的生物表型.
• 以前的研究还没有完全描述当代心脏重症监护室 (CICU) 中严重病情的HF患者的生物学表型.
• 了解这些表型对于定制治疗和改善这一脆弱人群的治疗结果至关重要.

研究的目的:

• 利用无监督的机器学习来识别心力衰竭 (HF) 的新型表型在一个大,多样化的队列患者入住心脏重症监护室 (CICU).
• 描述已识别的HF表型之间的人口,临床和实验室差异.
• 评估已识别的HF表型与住院和一年死亡率之间的关联.

主要方法:

• 选了6008名梅奥诊所 (Mayo Clinic) CICU患者,其中包括那些具有完整常见实验室数据的患者 (2007-2018年),他们被诊断患有高血压.
• 应用的共识是基于10个关键录取实验室值的k-平均集群.
• 使用逻辑回归评估住院死亡率和使用Cox比例危险模型评估一年死亡率,并进行多变量调整.

主要成果:

• 鉴定了五种不同的HF表型:无并发症 (25.7%),缺铁 (14.5%),心脏性 (18.4%),炎症性 (22.3%) 和低透性 (19.2%).
• 在表型之间观察到在医院死亡率的显著差异,从2.7% (无并发症) 到21.9% (低流).
• 一年死亡率也差异很大,从11.9% (无并发症) 到52.3% (低透),离院后死亡率的趋势类似.

结论:

• 无监督的机器学习有效地在CICU人群中识别出不同的临床HF表型.
• 这些表型表现出明显不同的住院和一年死亡概况,突出了关键高频率的异质性.
• 低化表型的死亡率最高,而非复杂的表型的死亡率最低,这凸显了对表型特定管理策略的需要.