迈向射血分数保留型心力衰竭合并阻塞性睡眠呼吸暂停的预测性、预防性和个性化医学：一种用于再入院风险分层的多时间跨度可解释机器学习框架

《EPMA Journal》：Towards predictive, preventive, and personalized medicine in HFpEF with obstructive sleep apnea: a multi-horizon explainable machine learning framework for readmission risk stratification

　　

摘要

背景

射血分数保留型心力衰竭（HFpEF）合并阻塞性睡眠呼吸暂停综合征（OSAS）是一种高风险的多重共病表型，以频繁再入院和显著的临床异质性为特征。现有的预测方法主要关注静态风险评估，对预测性、预防性和个性化医学（PPPM）的支持有限。了解再入院风险在不同临床时间点上的演变过程，可能有助于促进针对性预防和个体化管理策略的制定。

目的

开发并外部验证一个多中心、可解释的机器学习（ML）框架，用于HFpEF合并OSAS患者的多时间窗口再入院风险分层，并探索风险决定因素在不同时间窗口中的特异性预测贡献，以支持以PPPM为导向的临床决策。

方法

本多中心回顾性队列研究中，2018年1月至2021年12月期间，来自中国新疆两家三级医疗中心的2,211例HFpEF合并OSAS患者被纳入研究，平均随访时间为33.5个月。患者被分为开发队列（n?=?1,338）和外部验证队列（n?=?873）。采用结合Boruta算法和最小绝对收缩与选择算子（LASSO）回归的双重阶段特征选择策略来识别关键预测因子。训练并评估了12种机器学习算法，用于预测1年、2年和3年临床时间点的非计划性心衰首次再入院。模型性能通过区分度、校准度和决策曲线分析进行评估。采用可解释机器学习技术来刻画不同时间窗口下模型归因的特异性模式。

结果

最终模型中保留了8个预测因子，包括呼吸暂停低通气指数（AHI）、体质指数（BMI）、糖尿病、总胆固醇、空腹血糖、左心室舒张末期内径、最长呼吸暂停时间和血浆致动脉粥样硬化指数与体质指数乘积（AIP-BMI）。在外部验证队列中，表现最佳的模型在1年、2年和3年时点的受试者工作特征曲线下面积（AUC）分别为0.820（95% CI 0.729–0.884）、0.783（95% CI 0.727–0.842）和0.830（95% CI 0.792–0.863）。校准度和决策曲线分析显示，在评估的阈值假设下，模型具有良好的吻合度和潜在决策分析净获益。可解释性分析揭示了不同时间窗口下风险架构的差异：由AHI代表的睡眠呼吸障碍严重程度在短期再入院风险中占主导地位，而由AIP-BMI代表的代谢负担在较长随访期间影响力逐渐增强。此外，开发了一个基于网络的计算器以促进个体化风险评估。

结论

本研究开发并基于中心外部验证了多时间窗口、可解释的机器学习模型，用于个体化估计HFpEF合并OSAS患者在1年、2年和3年时点的非计划性心衰首次再入院风险。这些模型可能支持未来在PPPM框架内开展表型特异性预测风险分层研究；然而，在临床应用之前，尚需前瞻性验证、实施研究以及临床获益的证据支持。

中国临床试验注册

该试验已在中国临床试验注册中心注册（ChiCTR2300075727；2023-09-14）。

图形摘要