基于多时间点机器学习模型的保形射血分数心力衰竭合并不稳定心绞痛患者心力衰竭再入院风险预测

《npj Digital Medicine》：AI-driven multi-horizon risk stratification for heart failure hospitalization in UA with HFpEF: a Chinese multi-center cohort study

　　

摘要

具有保形射血分数（HFpEF）的心力衰竭合并不稳定性心绞痛（UA）在慢性疾病管理中是一个重大挑战，患者再次因心力衰竭住院（HFH）的风险很高。尽管有多中心真实世界数据的支持，但基于人工智能的风险评估工具仍然十分有限。本研究是一项多中心回顾性队列研究，纳入了4367名患有UA和HFpEF的患者。通过集成LASSO、SVM-RFE和Boruta的集成特征选择流程，识别出了一些具有预测能力的指标，并进一步训练了12种机器学习算法，以评估患者12个月、24个月和36个月后的HFH风险，并进行了外部验证。最优的时间特异性模型（ET、GBDT和LightGBM）在训练数据集中的分类性能优异，AUC值分别为0.818、0.834和0.863；在外部验证中，这些模型的AUC值分别为0.839、0.836和0.851。SHAP分析显示，糖尿病、甘油三酯-体重指数（TyG-BMI）和N端B型利钠肽（NT-proBNP）是最具影响力的预测因子。我们开发了一个多时间点机器学习框架，用于UA和HFpEF患者的HFH风险分层，并在外部验证中证明了其校准效果和潜在的临床应用价值。为了确认其临床有效性并推动该技术的实际应用，需要在不同的人群和医疗系统中进行进一步的前瞻性研究和真实世界验证。