機器學習可以預測疑似或已知心臟病患者的死亡風險

Sophia-Antipolis–2021 年 12 月 11 日：與全球衛(wèi)生專業(yè)人員使用的既定評分相比，新的人工智能評分提供了對疑似或已知冠狀動脈疾病患者在 10 年內死亡的可能性的更準確預測。該研究今天在歐洲心臟病學會 (ESC) 的科學大會 EuroEcho 2021 上發(fā)表。1

與基于臨床數據的傳統(tǒng)方法不同，新評分還包括心臟的成像信息，通過壓力心血管磁共振 (CMR) 測量。“壓力”是指在磁共振成像掃描儀中給患者服用一種藥物來模擬運動對心臟的影響。

美國巴爾的摩約翰霍普金斯醫(yī)院的研究作者 Theo Pezel 博士說：“這是第一項表明機器學習結合臨床參數和壓力 CMR 可以非常準確地預測死亡風險的研究。”“研究結果表明，有胸痛、呼吸困難或心血管疾病危險因素的患者應該接受壓力 CMR 檢查并計算他們的分數。這將使我們能夠為最需要的人提供更深入的跟進和有關運動、飲食等方面的建議。”

風險分層通常用于心血管疾病患者或心血管疾病高風險患者，以定制旨在預防心臟病發(fā)作、中風和心源性猝死的管理。傳統(tǒng)計算器使用有限數量的臨床信息，例如年齡、性別、吸煙狀況、血壓和膽固醇。本研究使用壓力 CMR 和臨床數據檢查了機器學習的準確性，以預測疑似或已知冠狀動脈疾病患者的 10 年全因死亡率，并將其性能與現有評分進行比較。

Pezel 博士解釋說：“對于臨床醫(yī)生來說，我們從患者那里收集的一些信息似乎與風險分層無關。但機器學習可以同時分析大量變量，可能會發(fā)現我們不知道存在的關聯(lián)，從而改進風險預測。”

該研究包括 2008 年至 2018 年期間因胸痛、勞累時呼吸急促或心血管疾病高風險而被轉診至巴黎中心接受壓力 CMR 治療的 31,752 名患者，但沒有任何癥狀。高危被定義為至少有兩個危險因素，如高血壓、糖尿病、血脂異常和目前吸煙。平均年齡為 64 歲，66% 為男性。收集了 23 個臨床參數和 11 個 CMR 參數的信息。從法國國家死亡登記處獲得的全因死亡中位隨訪時間為 6 年。在隨訪期間，2,679 (8.4%) 名患者死亡。

機器學習分兩步進行。首先，它用于選擇哪些臨床和 CMR 參數可以預測死亡，哪些不能。其次，機器學習用于根據第一步中確定的重要參數構建算法，為每個參數分配不同的重點以創(chuàng)建最佳預測。然后對患者在 10 年內死亡的可能性進行 0(低風險)到 10(高風險)的評分。

機器學習分數能夠以 76% 的準確率預測哪些患者會活著或死亡(在統(tǒng)計方面，曲線下面積為 0.76)。“這意味著在大約四分之三的患者中，評分做出了正確的預測，”佩澤爾博士說。

標簽：