机器学习方法用于识别患有缺血性心力衰竭的患者的表型,减少排气分数

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 个性化医疗是个性化的医疗.

背景情况:

• 缺血性心力衰竭与减少喷射率 (HFrEF) 包含一个异质的患者群体.
• 目前的管理策略可能无法充分解决HFrEF.内的各种临床情况.

研究的目的:

• 应用机器学习聚类,在缺血性HFrEF中识别不同的患者表型.
• 评估这些已识别的集群与临床结果的关联.
• 探索基于确定的患者子组的个性化管理策略的潜力.

主要方法:

• 利用了来自EPHESUS和Capricorn试验的8591名缺血性HFrEF患者的队列.
• 采用机器学习集群,使用临床和生物变量来定义患者子组.
• 在COMMANDER-HF试验中验证了衍生算法 (n=5022).
• 评估了集群和复合终点之间的关联,包括心力衰竭住院治疗,全因死亡和心血管事件.

主要成果:

• 根据年龄,并发症 (心房动,高血压,糖尿病,外周动脉疾病),性别和左心室喷射小部分,确定了五个不同的临床集群.
• 集群1代表了患有较高心血管事件负担的老年患者,而集群4则包括患有较高射出分数和较低风险的年轻患者.
• 集群成员预测结果,集群1显示最高风险和集群4最低.
• 在低风险集群 (集群2和4) 中,矿物皮类受体对抗剂的疗效得到了增强.

结论:

• 基于机器学习的集群有效地划分了缺血性HFrEF的广泛类别中的不同风险子组.
• 这种新型分类系统可以提高缺血性HFrEF患者的结果预测的准确性.
• 基于这种分类的可访问在线工具可以促进个性化治疗方法.