《Vascular Health and Risk Management》：A Dynamic Prognosis Model of Patients with Chronic Heart Failure: A Prospective Cohort Study Using Follow-Up Data and Recurrent Neural Networks
编辑推荐：
背景：针对慢性心力衰竭（CHF）患者死亡风险的传统预测模型通常依赖于静态入院数据，这限制了对疾病动态变化的捕捉。通过使用纵向随访数据，研究人员开发了一种动态模型以提高预测准确性，并为个性化干预提供依据。方法：研究人员从山西的3个中心招募了1333名CHF患者。
背景：针对慢性心力衰竭（CHF）患者死亡风险的传统预测模型通常依赖于静态入院数据，这限制了对疾病动态变化的捕捉。通过使用纵向随访数据，研究人员开发了一种动态模型以提高预测准确性，并为个性化干预提供依据。方法：研究人员从山西的3个中心招募了1333名CHF患者。数据包括CHF患者报告结局指标（CHF-PROM）、生活方式、用药情况以及预后。终点为全因死亡率。利用序列数据，研究人员开发了门控循环单元（GRU）、长短期记忆网络（LSTM）、多层感知机（MLP）和逻辑回归（LR）模型用于评估3年风险。采用受试者工作特征曲线下面积（AUC）、准确率、真阴性率（TNR）、真阳性率（TPR）、Brier分数和F1分数来评估性能。时间序列Shapley加性解释（TimeSHAP）提供了模型的可解释性，并构建了一个网络工具。结果：在测试的模型中，GRU模型表现出最强的预测准确性，其性能随着随访的推进而稳步提升。在第24个月时，基于GRU的模型达到了其峰值预测性能，AUC为0.765（95%置信区间[CI]：0.761–0.768），F1分数为0.537（95% CI：0.531–0.542），Brier分数为0.208（95% CI：0.199–0.216）。TimeSHAP分析表明，CHF-PROM中的身体状况、食欲、睡眠、身体独立性和焦虑，连同年龄和纽约心脏病协会心功能分级（NYHA）功能分级，是CHF患者3年全因死亡率的关键预测因素。结论：来自多次随访的患者报告结局（PRO）数据，结合使用GRU构建的模型，为预测CHF患者的死亡风险提供了一个有前景的工具。自主研发的基于网页的决策支持系统允许用户仅通过输入患者信息即可计算风险评分。试验注册：本研究已在中国临床试验注册中心注册[注册号：ChiCTR2100043337]。实验注册日期为2021年2月11日。
慢性心力衰竭（CHF）是多种心血管疾病的终末阶段，具有高患病率和不良预后。全球约有6400万人受CHF影响，且由于人口老龄化和心血管风险因素增加，该数字持续上升。CHF患者30天再入院率约为20-25%，1年死亡率接近20-30%，给家庭和社会带来了沉重负担。因此，开发稳健的预后预测模型以及时识别高危患者至关重要。然而，CHF呈慢性进展轨迹，现有预后模型多依赖单次入院基线数据，无法记录病情的动态波动；且部分临床指标在出院后难以持续获取。目前，患者报告结局（PRO）在CHF管理中的重要性日益凸显，其通过问卷评估患者的健康状况、症状体验和生活质量。2022年心衰管理指南将PRO列为CHF管理的核心工具。动态监测和智能分析PRO数据可优化风险分层，但当前应用多局限于单时间点数据或简单的重复测量累加。循环神经网络（RNN）专为分析时间序列数据设计，能整合历史观察信息与新输入以更新风险估计，从而开发动态预测模型。基于此，本研究旨在利用易于获取的随访PRO数据和行为模式，通过RNN构建CHF患者的动态死亡率预测模型。研究结论表明，结合GRU框架与纵向随访数据的模型能有效预测CHF患者全因死亡率，该研究发表在《Vascular Health and Risk Management》上，为识别高危患者和优化个体化管理策略提供了有前景的方法。
关键技术方法部分，研究数据从山西省3个医疗中心收集，共纳入1333名CHF患者，并进行多时间点电话随访。在构建预测模型时，采用了两种RNN变体——长短期记忆网络（LSTM）和门控循环单元（GRU），以及多层感知机（MLP）和逻辑回归（LR）算法。使用受试者工作特征曲线下面积（AUC）、准确率、真阴性率、真阳性率、Brier分数和F1分数评估模型。利用时间序列Shapley加性解释分析模型可解释性，并开发基于Streamlit的网页决策支持系统。
基线特征研究结果：共纳入1333名患者，随访结束时1030名存活，303名死亡。与存活组相比，死亡组年龄更大、体重指数（BMI）更低、受教育程度较低，且并发症更复杂。死亡组在硝酸酯类和螺内酯使用率上显著更高，在CHF-PROM各维度得分更低，且更少坚持低盐饮食或参与健康教育。
模型性能比较研究结果：在所有模型中，预测性能随随访时间延长而逐渐提升，大多在18或24个月达到峰值。GRU模型在24个月时预测性能达到峰值，AUC为0.765，展现出最佳的整体性能。LSTM模型次之；LR模型表现稳定；MLP模型表现最弱。
数字PRO平台研究结果：研究开发了数字PROM平台，用户可通过CSV工具栏或手动输入BMI、NYHA分级和PRO得分，系统据此计算风险值，为临床预测提供便捷工具。
TimeSHAP可解释性分析研究结果：特征重要性分析显示，较低的身体症状和焦虑评分、心房颤动并发症、高龄、较差的食欲和睡眠、高NYHA分级和较差的身体独立性等与较高死亡风险相关。单样本分析显示，随访时间点越接近死亡，预测Shapley值显著越高，且年龄贡献最大。
研究讨论指出，PRO数据不仅收集成本低，还能将主观体验客观化，其时间序列能敏感反映疾病进展。基于多随访点数据的模型能有效捕捉动态轨迹。特征分析结果与既往研究一致，极度强调PRO和生活方式干预在CHF管理中的重要性。机器学习模型性能优于传统模型，GRU模型在数据充分时展现出最优预测能力，但在30个月时因样本量递减而略有下降。局限在于该模型目前仅基于PRO和生活方式数据，未纳入N末端B型利钠肽原（NT-proBNP）或左心室射血分数（LVEF）等客观指标。结论：研究人员利用GRU框架与纵向随访数据构建了CHF动态死亡风险预测模型。该模型通过包含易于重复获取的PRO和生活方式信息，为全因死亡率提供了中等有效的动态评估。基于该模型开发的网页决策支持系统可作为预测门诊患者预后的便捷工具，为识别高危患者和优化CHF个体化管理提供了有前景的途径。
