通过使用机器学习来预测心力衰竭中的死亡率和住院情况,使用保存的喷射分数

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 有限的研究整合了心声回声和实验室数据,用于预测心力衰竭的临床结果,并保留了喷射分数 (HFpEF).
• 预测HFpEF的不良事件仍然具有挑战性,因为这种情况的异质性.

研究的目的:

• 采用机器学习技术来识别HFpEF患者心力衰竭 (HF) 住院和心血管 (CV) 死亡的显著预测因素.
• 使用大量患者队列开发HFpEF临床结果的强大预测模型.

主要方法:

• 利用台湾的Chang Gung研究数据库,从2008年至2017年分析了6,092名HFpEF患者 (2,898名衍生,3,194名验证),随访至2019年.
• 开发了一个随机生存森林模型,包含58个变量,以预测HF住院和CV死亡的复合结果.
• 使用独立验证队列评估模型通用性.

主要成果:

• 总共有15个预测指标被确定,包括年龄,B型尿酸,左心脏大小,心房动,先前HF住院频率,BMI,心肌吐严重程度,左心室壁厚度,失血,LV末腹缩维度,尿酸,甘油三,血尿素,心室间隔膜厚度和HbA1c.
• 随机生存森林模型表现出强大的预测性能,在验证队列中曲线下的面积为86.9%.
• 在2.9年的随访期间,导出 (37.7%) 和验证 (36.0%) 队列中的很大比例经历了复合结果.

结论:

• 在HFpEF中,机器学习有效地确定了15个HF住院和心血管死亡的关键预测因素.
• 这些发现有助于识别高风险的HFpEF患者,从而实现量身定制和个性化的治疗方法.
• 开发的模型显示强大的外部有效性,支持其临床实用性.