利用常规健康数据对未确诊的心力衰竭进行可扩展的风险分层，及其与影像学表现和临床结局的关联

《Scientific Reports》：Scalable risk stratification of undiagnosed heart failure using routine health data and its association with imaging phenotypes and outcomes

　　

摘要

心力衰竭的晚期诊断会导致更差的预后。我们旨在利用常规电子健康记录开发一种可扩展的工具，用于识别那些有较高风险未被诊断出心力衰竭的人群。我们在英国的初级保健电子健康记录系统中开发并内部验证了一种逻辑回归模型（FIND-HF），该模型可用于预测一年内是否会出现心力衰竭病例（数据来源：CPRD-Aurum，样本量3,520,186），其预测性能良好（受试者工作特征曲线下面积为0.79），与更复杂的建模技术相当。随后，我们在英国（CPRD-GOLD，样本量570,850，AUC为0.72）、日本（JMDC，样本量6,820,694，AUC为0.73）、美国（Epic Cosmos，样本量7,710,398，AUC为0.78）以及台湾（NTUH，样本量170,518，AUC为0.85）对外部验证了该模型。在那些已经接受过心力衰竭诊断的群体中，经过优化的FIND-HF模型的阳性预测值为21.4%，阴性预测值为96.9%。在那些已经接受过心脏磁共振成像检查的心力衰竭患者中，与低风险组相比，高FIND-HF风险组出现心力衰竭住院或心血管死亡等主要复合结局的风险更高，同时心脏功能恶化程度也更严重，左心室射血分数也会更低。FIND-HF是一种基于电子健康记录的可扩展模型，它有助于在低风险病例中排除未被诊断出的心力衰竭，而高风险病例则往往伴随着更严重的心脏功能障碍和更差的预后。