机器学习预测心力衰竭老年患者1年死亡率:全国性的多中心前性队列研究
Kanji Yamada1,2, Nobuyuki Kagiyama3, Tomoyuki Morisawa4
1Department of Physical Therapy, Faculty of Health Science, Juntendo University, Tokyo, Japan.
一个新的机器学习模型通过整合身体功能评估,准确地预测老年心力衰竭 (HF) 患者的一年死亡率. 这种方法比传统方法更好地提高了风险分层,有助于更好地规划出院后的护理.
科学领域:
- 心脏病学 心脏病学
- 老年病的医生 老年病的医生
- 人工智能在医学中的应用
背景情况:
- 老年人心力衰竭 (HF) 风险预测通常依赖于临床变量,忽视直接的身体功能测量.
- 这种局限性阻碍了对老年HF患者的准确预后和量身定制的护理计划.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,使用例行收集的功能评估来预测患有HF的老年人一年内全因死亡率.
- 将ML模型的性能与已建立的风险得分进行比较,以改善风险分层.
主要方法:
- 利用了来自J-Proof HF Registry的数据,这是全国范围的65岁以上因HF住院患者的前性队列.
- 开发了一种 eXtreme Gradient Boosting (XGBoost) 模型,包含77个预测因素,包括功能评估,并使用一个离开一个站点的框架来验证它.
- 将模型的区分,校准和临床实用性与AHEAD和BIOSTAT紧等现有得分进行了比较.
主要成果:
- ML模型实现了接收器运行特征曲线 (AUC) 下的面积为0.76,超过了既定的得分.
- 排放时的关键功能指标,如巴特尔指数,短物理性能电池,步行速度和手握强度,是重要的预测指标.
- 与基准分数相比,该模型显示出更高的临床实用性和重新分类能力.
结论:
- 整合功能评估的机器学习模型有效预测老年心力衰竭患者的一年死亡率.
- 出院时的功能状态是一个关键的预后指标,增强风险分层,并为出院后的护理策略提供信息.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
相关概念视频
Heart Failure II: Pathophysiology
Pathophysiology of Heart Failure
Heart Failure I: Introduction
Predicting Products: SN1 vs. SN2
With increased substitution on the alkyl halide,...
Heart Failure VI: Adjunct Therapies
Heart Failure Drugs: Diuretics
