机器学习驱动的预测HFrEF患者的一年再入院:炎症的关键作用

科学领域:

• 心脏病学 心脏病学
• 生物医学信息学 生物医学信息学
• 预测分析 (Predictive Analytics) 是一种分析方法.

背景情况:

• 减少喷射分数 (HFrEF) 的心力衰竭对全球健康构成重大负担.
• 高发病率和频繁住院是HFrEF的特征,需要改进风险预测.
• 优化治疗和降低医疗保健成本是HFrEF管理的关键目标.

研究的目的:

• 开发和验证一种机器学习模型,用于预测HFrEF患者的一年再接收风险.
• 确定重收的关键预测因素,包括炎症生物标志物.
• 加强HFrEF患者管理的临床决策.

主要方法:

• 对733名成年HFrEF患者进行了回顾性研究.
• 拉索回归用于特征选择,优先考虑炎症生物标志物 (例如PLR,MLR).
• 训练和验证了七个机器学习算法;使用AUC,准确性,灵敏度,特异性,F1得分和Brier得分来评估随机森林 (RF) 模型的性能. SHAP分析提供了可解释性.

主要成果:

• 该研究确定了733名HFrEF患者,一年内再入院率为31.5%.
• 关键预测因素包括年龄,BNP,NYHA类,LVEF,PLR,MLR,AF史以及ACEI/ARB/ARNI使用情况.
• 射频模型实现了0.89的AUC,证明了强大的预测性能. 确定了BNP,NYHA类,LVEF,MLR和PLR作为重要的预测因素.

结论:

• 一个基于机器学习的随机森林模型有效地预测HFrEF患者的一年再入院.
• 炎症指标 (MLR,PLR) 在再接收预测中起着至关重要的作用.
• 将这种模型整合到临床实践中可以改善风险分层和患者的治疗结果.