使用基于变压器的深度学习建模识别心力衰竭亚型:对379,108个人的基于人口的研究
Zhengxian Fan1, Mohammad Mamouei1, Yikuan Li1
1Deep Medicine, Nuffield Department of Women's & Reproductive Health, University of Oxford, Oxford, United Kingdom.
EBioMedicine
|March 20, 2025
概括
使用变压器模型进行深度学习,从电子健康记录 (EHR) 中提炼心力衰竭 (HF) 患者的亚型. 这确定了七种不同的HF亚型,包括以前未知的COPD和甲状腺功能障碍组,改进了个性化治疗策略.
科学领域:
- 人工智能在医学中的应用
- 心血管研究研究心血管研究
- 医疗信息学 医疗信息学
背景情况:
- 心力衰竭 (HF) 是一种复杂的综合征,呈现和进展异质.
- 基于左心室喷射分数 (LVEF) 的传统分类系统在捕捉高频异质性方面存在局限性.
- 电子健康记录 (EHR) 为了解复杂疾病提供了丰富的数据来源.
研究的目的:
- 探索深度学习的应用,特别是基于变压器的方法,用于精细地分类心力衰竭患者.
- 分析电子健康记录 (EHR) 以改善心力衰竭患者分层.
- 识别具有差异性预后价值的不同心力衰竭 (HF) 患者群.
主要方法:
- 利用了来自英国初级和中级护理的相关EHR数据 (CPRD Aurum).
- 应用基于变压器的深度学习模型,根据诊断,手术和药物对患者进行分组.
- 与统计机器学习 (ML) 方法进行基准测试,评估集群的特异性和预后价值 (死亡率,住院).
主要成果:
- 基于变压器的方法确定了七个独特的高频率患者群,优于其他方法.
- 集群的特点是死亡率,住院,并发症和临床特征 (例如,COPD,甲状腺功能障碍) 的不同模式.
- 亚型包括早期发病,高血压,缺血性心脏病,代谢问题,COPD,甲状腺功能障碍和晚期发病的高血压.
结论:
- 确定了七种不同的HF亚型,包括新的高风险COPD相关和与甲状腺功能障碍相关的亚组.
- 基于变压器的分类方法有效地捕捉了心力衰竭的多面性质.
- 研究结果为为特定的高频率肺炎患者子组制定量身定制的治疗策略提供了基础.
