深度学习模型DNFCR整合竞争风险与脆弱性因素提升心衰生存预测精度

研究团队针对心衰生存预测中竞争风险(CR)和未观察异质性(脆弱性，frailty)的协同建模难题，开发了深度神经网络脆弱竞争风险模型(DNFCR)。该研究首次在深度学习框架中同步整合比例/非比例脆弱结构与CR分析，通过对435例HFrEF患者(LVEF≤40%)的5年随访数据验证，显示DNFCR-PF模型在HF死亡率预测中取得C-index≈0.66、IBS=0.17±0.01的最佳性能，为个性化风险分层提供了新方法。

　　

在全球心血管疾病负担日益加重的背景下，心力衰竭（Heart Failure, HF）作为第三大心血管死因，其高死亡率与复杂预后一直困扰着临床决策。传统生存分析方法如Cox比例风险模型（CoxPH）和Kaplan-Meier曲线存在明显局限：它们通常将竞争事件（如非心源性死亡）视为删失数据，忽略事件间的相关性，且无法捕捉变量间的非线性关系。更关键的是，患者个体间存在的未观测异质性（即脆弱性，frailty）——如遗传因素、环境暴露等潜在变量——会同时影响心源性死亡与非心源性死亡的风险，传统模型却缺乏对此的有效建模能力。

针对这一难题，来自伊朗塔比亚特莫达雷斯大学、蒙纳士大学和伊朗医学科学大学的研究团队在《Scientific Reports》发表了创新性研究。他们开发了深度神经网络脆弱竞争风险模型（Deep Neural Frailty Competing Risks, DNFCR），首次在深度学习框架中同步整合了脆弱性建模与竞争风险分析。该研究通过对435例心衰伴射血分数降低（HFrEF, LVEF≤40%）患者长达5年的随访数据验证，证明DNFCR模型在预测心源性死亡率方面具有更优的校准能力与判别性能。

研究采用的关键技术方法包括：1) 基于伽马脆弱分布的深度神经网络结构，分别构建比例脆弱（DNFCR_PF）与非比例脆弱（DNFCR_NF）架构；2) 采用5折交叉验证与综合评估指标（C-index、综合布雷尔评分IBS、综合负二项对数似然INBLL）；3) 利用真实世界临床队列数据（2018-2023年Rajaie心血管医疗中心队列），包含57项人口统计学与临床特征。

研究结果

患者特征与生存分布

研究队列中43.96%患者死于心源性原因，26.64%死于其他原因，中位生存时间为43.4个月。Kaplan-Meier分析显示，心源性死亡组的1年、3年、5年生存率分别为80.66%、68.3%、59.52%，显著低于其他原因死亡组（91.78%、79.08%、70.29%）。

模型性能比较

DNFCR_PF模型在心源性死亡预测中取得最佳判别性能（C-index=0.66±0.04），显著优于传统CoxPH模型（0.61）和未包含脆弱性的DeepSurvCR模型。其在校准指标IBS（0.17±0.01）和INBLL（0.02±0.53）上也表现最优。对于非心源性死亡预测，各模型差异无统计学意义（p>0.05）。

校准精度验证

DNFCR模型在1年和3年心源性死亡预测中表现出优异校准度（紧贴理想曲线），5年预测因样本量减少出现轻微偏差。对于非心源性死亡，3年预测精度保持在临床可接受范围（±5%误差）。

讨论与结论

该研究首次实现了深度学习框架下脆弱性与竞争风险的协同建模，解决了传统模型（如DeepHit）忽略脆弱性、而脆弱模型（如NFM）忽视竞争风险的局限性。DNFCR通过非参数学习脆弱分布避免了预设分布假设的偏差，并能动态捕捉协变量与脆弱性的交互效应。

虽然模型整体判别性能（C-index≈0.66）仍属中等水平，这反映了心衰预后预测中不可减少的不确定性（如未测量混杂因素、治疗反应差异等），但其在校准精度和风险分层方面的优势具有重要临床意义：1) 可识别1年死亡风险>50%的高危患者以便优先安排强化治疗；2) 避免传统模型对心源性死亡风险的过高估计；3) 为其他存在竞争风险的疾病（如癌症、慢性肾病）提供了可扩展的分析框架。

研究的局限性包括单中心队列样本量较小、缺乏外部验证等。未来需要通过多中心研究、整合动态生物标志物和扩大样本量进一步提升模型性能。尽管如此，DNFCR模型为代表的方法学创新，为复杂临床场景下的生存分析提供了更灵活、可解释的建模范式。