机器学习方法,应用和经济分析来预测心力衰竭住院风险:一个范围审查

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 机器学习 (ML) 正在彻底改变医疗保健,提供增强的诊断和个性化的患者护理.
• 在心脏病学中,ML对于心力衰竭 (HF) 的风险预测和分层至关重要,这是一种影响全球超过6400万人的疾病.
• 在HF中ML的应用有助于预测住院,优化治疗和降低医疗保健成本.

研究的目的:

• 综合审查现有的ML模型,以预测心力衰竭 (HF) 患者住院风险.

主要方法:

• 在2024年3月31日进行了PubMed,SCOPUS和Web of Science的系统数据库搜索.
• 研究是根据ML模型的纳入标准进行选择的,该模型预测了成年人患HF住院风险.
• 从27项选定的研究中提取和分析数据,用于预测绩效和经济分析.

主要成果:

• 大多数研究都集中在再接收风险上;所有研究都使用监督的ML算法,组合方法显示出卓越的性能.
• 对于30天的风险,XGBoost (AUC 0.69) 领先;对于90天的风险,LASSO和梯度增强 (AUC 0.75) 表现最好.
• 当没有指定时间框架时,分类提升 (AUC 0.88) 显示出最高的性能;电子健康记录是主要数据来源,但经济评估不存在.

结论:

• ML显示出改善心力衰竭护理和患者治疗结果的巨大潜力.
• 进一步的研究应侧重于提高模型通用性和整合多样化的数据源.
• 评估ML模型的成本效益对于其在HF管理中的临床实施至关重要.