在急性心力衰竭患者中基于机器学习的新风险评分:ML-HF评分

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 机器学习

背景情况:

• 传统的预后得分往往无法预测急性心力衰竭 (AHF) 患者的死亡率.
• 需要更准确的工具来评估AHF患者的死亡风险.

研究的目的:

• 开发和验证基于机器学习 (ML) 的预后评分,用于AHF患者的住院死亡.
• 为了比较新型ML得分的表现与已建立的传统得分 (此处,GWTG-HF).

主要方法:

• 利用了来自巴西医院 (2016-2022) 住院的1157名AHF患者的数据.
• 收集的临床数据,实验室结果和世卫组织生活质量 (WHOQOL-Bref) 评分.
• 在70%的数据上训练了一种ML模型,并对30%的数据进行了验证,将ROC曲线下的面积 (AUC) 与传统得分进行比较.

主要成果:

• 在ML-HF得分中,确定了身体健康领域质量 (WHOQOL-BREF),血清,尿素,肌素和静脉血压作为关键预测因素.
• 与GWTG-HF (AUC=0.616) 和ADHERE (AUC=0.601) 相比,ML-HF得分在测试组中显示出更好的歧视 (AUC=0.722).
• 模型校准是充足的 (霍斯默-莱梅肖p=0.056).

结论:

• 一个基于机器学习的新型得分 (ML-HF) 成功开发和验证,用于预测AHF的住院死亡率.
• ML-HF得分明显优于传统的预后得分,为AHF患者提供了更好的预测准确性.