在中国慢性心力衰竭患者中,基于机器学习的模型恶化了心力衰竭风险

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:

• 慢性心力衰竭 (CHF) 对健康构成重大负担,预测心力衰竭 (WHF) 的恶化对于及时干预至关重要.
• 现有的风险预测模型可能无法完全捕捉WHF开发的复杂性.

研究的目的:

• 开发和验证一种最佳的机器学习 (ML) 模型,用于预测CHF患者的WHF.
• 确定WHF的关键临床和生活质量预测指标.
• 根据验证的模型创建一个用户友好的临床风险评估工具.

主要方法:

• 一个嵌套的病例控制研究,涉及200名CHF患者.
• 收集了65个变量,包括人口统计,临床数据和生活质量得分.
• 采用了LASSO回归,单变量分析和多个ML模型来选择变量.
• 对比了9个ML算法,包括随机森林 (RF),用于预测性能.
• 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
• 开发了一个基于表现最佳模型的在线风险预测工具.

主要成果:

• 60名参与者 (30%) 在3个月的随访期内发展出WHF.
• 确定了关键预测因素:N-终端亲大脑尿性 (NT-proBNP),肌素 (Cr),尿酸 (UA),血红蛋白 (Hb) 和情感生活质量得分.
• 射频模型在测试组中显示出最高的预测准确度 (AUC:0.842).
• SHAP分析证实NT-proBNP,UA和Cr是非常重要的预测因素.

结论:

• NT-proBNP,Cr,UA,Hb和情绪评分是CHF患者WHF的关键指标.
• 与其他评估的ML算法相比,随机森林模型为WHF提供了更高的预测准确性.
• 使用RF模型的在线风险预测工具可以帮助早期和个性化的WHF风险评估.