在心力衰竭患者中风险分层和结果预测 心脏植入式电子设备 使用来自HINODE研究的机器学习分析

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:

• 在日本老龄化人口中,心力衰竭 (HF) 的患病率正在上升.
• 在日本,与西方国家相比,植入式心脏转换器除器和心脏再同步治疗的使用率较低.
• 在HINODE研究中,前性地收集了日本心脏器械患者的数据.

研究的目的:

• 开发可解释的机器学习 (ML) 模型,以改善日本HF患者的风险分层.
• 确定不良结果的关键预测因素,包括HF住院和全因死亡率.
• 支持心脏器械心脏病患者的个性化管理策略.

主要方法:

• 利用了332名具有足够数据的HINODE参与者的数据.
• 开发了使用XGBoost进行5倍交叉验证的预测模型.
• 采用沙普利添加式解释 (SHAP) 对于特征重要性和K-means集群用于风险分层.

主要成果:

• 模型显示HF事件 (AUC 0.83) 和死亡率 (AUC 0.85) 的强差异.
• 确定的主要预测因素包括QRS持续时间,QT间隔,左心室体积和药物.
• 确定了两个不同的风险集群:低风险 (n=236) 和高风险 (n=86),事件发生率显著不同.

结论:

• 可解释的ML模型准确地预测风险,并使日本HF患者的基于表型的分层成为可能.
• 这些研究结果支持使用ML来个性化管理心脏器械的高频率心脏病患者.
• 这种方法可以帮助优化这种不断增长的患者群体的治疗策略.