一个机器学习工具用于识别初级保健中已知的糖尿病患者新诊断的心力衰竭

科学领域:

• 心脏病学 心脏病学
• 初级医疗保健是一项主要的医疗保健.
• 机器学习 机器学习

背景情况:

• 充血性心力衰竭 (CHF) 是糖尿病患者的重要并发症.
• 在这一群体中早期发现CHF对于有效管理和改善结果至关重要.
• 初级医疗保健机构为主动检测CHF提供了宝贵的机会.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测糖尿病患者新出现的充血性心力衰竭病例.
• 在初级保健中,在这个患者群体中确定与新的CHF诊断相关的关键诊断因素.
• 为了利用常规收集的诊断数据进行预测建模.

主要方法:

• 采用了一个性别和年龄匹配的病例控制研究设计.
• 2015年至2022年的数据包括9,098例新的CHF病例和45,490例对照病例.
• 使用随机梯度增强 (SGB) 模型来确定预测因素并评估模型性能 (AUC).

主要成果:

• 在糖尿病患者中,SGB模型显示了CHF的高预测准确性 (AUC ≈ 0.85).
• 所有组的重要预测因素包括访问频率,冠状动脉疾病,心房动和呼吸异常.
• 性别和年龄特定的因素,如COPD,,糖尿病持续时间和慢性病,也显示出预测价值.

结论:

• 在初级保健中,常规收集的诊断数据和访问频率可以有效地使用SGB模型来预测糖尿病患者的心力衰竭风险.
• 鉴定到的预测因素凸显了并发病和医疗保健利用的重要性.
• 需要对预测因素中的年龄和性别差异进行进一步的研究.