基于机器学习的真实世界住院心力衰竭患者全因死亡率预测模型构建与验证

《European Heart Journal》：Machine learning–based identification of mortality risk factors in hospitalized heart failure patients: a multicenter real-world study

　　

摘要

背景

尽管指南指导的药物治疗取得了进展，心力衰竭（HF）仍然面临高死亡率和住院率的负担。现有的风险模型大多源自历史队列或高度选择的临床试验人群，这可能无法反映当代"真实世界"临床实践的复杂性和治疗标准。在现代心力衰竭时代，死亡率风险评估仍存在关键的证据差距，需要识别与当前临床实践相一致的当代决定因素。

目的

本研究旨在利用机器学习方法评估真实世界环境下住院心力衰竭患者的死亡预测因素。

方法

本研究是前瞻性、观察性、国家级HEROES登记研究的一部分。在波兰41个中心入组了心力衰竭患者，唯一的排除标准是年龄小于18岁。所有数据（临床、实验室等）由现场研究者通过电子病例报告表报告。全因死亡率的随访数据从波兰数字事务部获得。使用70/30的训练-测试集划分评估了五种机器学习架构——弹性网络、岭回归、Lasso、随机生存森林和XGBoost。基于独立测试数据集上最高的协调指数（C-index）选择最优模型，随后用于下游风险分层和危险比分析。

结果

研究队列包括1143名住院心力衰竭患者，中位随访时间为435天（四分位距：324-544天），期间发生211例（18.5%）死亡事件。选择弹性网络模型进行最终分析，因为它产生了最高性能，在独立测试数据集上的C-index为0.73（图1A）。时间依赖性AUC分析显示在整个随访期间具有一致的判别准确性（图1B）。该模型识别出一个预后特征谱，由几个关键变量组成（图1C）。在纳入模型的因素中，与较高死亡风险最相关的是贫血、肝功能不全、既往瓣膜介入术、慢性心力衰竭诊断、年龄、外周动脉疾病和心房颤动，而风险降低与身体活动受限评分增加、症状频率评分增加和KCCQ-12评分相关。基于模型导出的风险评分，总人群被分层为三个不同的风险类别（log-rank p < 0.001）（图1D）。与低风险参考组相比，高风险组的死亡危险比（HR）为6.93（95% CI：4.20-11.42，p < 0.001），而中风险组的死亡危险比为2.65（95% CI：1.54-4.58，p < 0.001）。

结论

精准风险特征谱分析能够早期识别脆弱的心力衰竭患者，这些患者可能受益于强化监测和靶向治疗干预。

图1

在新标签页中打开下载幻灯片