机器学习衍生的风险评分改善了LVAD植入后结果的预测:INTERMACS数据库的分析

科学领域:

• 心脏病学 心脏病学
• 医疗技术 医疗技术 医学技术
• 医疗保健中的机器学习

背景情况:

• 左心室辅助装置 (LVAD) 植入是晚期心力衰竭 (HF) 的关键干预措施.
• 术后LVAD结果的显著变化需要精确的术前风险分层.
• 现有的风险评估工具可能无法完全捕捉患者特定的死亡风险.

研究的目的:

• 为了评估机器学习风险评估和心力衰竭早期死亡率 (MARKER-HF) 模型.
• 评估MARKER-HF对LVAD植入后死亡率的预测准确性.
• 为了确定MARKER-HF是否与机械辅助循环支持 (INTERMACS) 档案的机构间注册表相比,提高了风险预测.

主要方法:

• 来自INTERMACS数据库的25365名患者的分析.
• 用MARKER-HF得分将患者分为风险组 (低,中等,高,非常高) 的分类.
• 在MARKER-HF风险层和INTERMACS个人资料之间比较住院和出院1年后的死亡率.

主要成果:

• 马克尔-HF显示,住院死亡率从4.4% (低风险) 逐步增加到15.2% (非常高风险).
• 结合使用MARKER-HF和INTERMACS资料,发现极端死亡风险 (最低为3.5%,最高为19.8%).
• 马克尔-HF得分与出院后1年死亡率独立相关 (HR 1.27;P < .001),表现优于INTERMACS概况.

结论:

• 马克尔-HF评分是对LVAD接受者死亡风险评估的宝贵工具.
• MARKER-HF提供了预测信息,补充了INTERMACS概况.
• 使用MARKER-HF可以帮助共享LVAD植入的决策.