心闻速递机器学习预测急性冠脉综合征后不良事件-柳叶刀最新研究

Posted 2021-04-03 哈特瑞姆心脏之声

将计算机算法用于具有大量多维度变量的大型数据集，捕获临床特征之间的高维度、非线性关系，机器学习可以克服当前风险预测分析方法中的一些局限性，进行数据驱动的结局预测。一些心血管领域的临床应用证实了机器学习的有效性，机器学习方法优于经过验证的传统风险分层工具，包括预测心脏再同步化治疗人群中可疑冠状动脉疾病或心力衰竭患者的死亡事件。

急性冠脉综合征(ACS)患者缺血和出血事件风险较高，两者均会导致不良预后。谨慎评价这些风险是管理每位临床患者的基础，对选择二级预防的最佳药物治疗具有重要意义。目前ACS后缺血和出血事件预测工具的准确性在个体化患者管理策略方面仍存在不足。研究者开发了一个基于机器学习的危险分层模型来预测ACS发生后是否会出现全因死亡、急性心肌梗死复发和大出血。

研究队列为BleeMACS和RENAMI研究中来自多个大洲的19826名ACS成年患者（分为训练队列[80%]和内部验证队列[20%]），训练不同的机器学习模型预测该队列出院后1年的全因死亡、心肌梗死和大出血事件（定义为BARC出血分型3型或5型）。出院时常规评估的25个临床特征用于训练模型。采用4种机器学习分类器试验——自适应增强、初始贝叶斯、K-近邻和随机森林生成4种模型用于预测每种研究结局，根据一系列学习指标（F2评分、受试者工作特征曲线下平均面积[AUC]和校准图）评估模型性能。外部验证队列中测试每个研究结局中表现最佳的模型（PRAISE评分），该验证队列汇集了1个随机对照试验和3个前瞻性研究的3444名ACS患者。

PRAISE评分显示，对于1年全因死亡事件，内部验证队列的AUC为0.82(95%CI 0.78–0.85)，外部验证队列的AUC为0.92(95%CI 0.90–0.93)；对于1年心肌梗死事件，内部验证队列的AUC为0.74(95%CI 0.70–0.78)，外部验证队列的AUC为0.81(95%CI 0.76–0.85)；对于1年大出血事件，内部验证队列的AUC为0.70(0.66-0.75)，外部验证队列的AUC为0.86(0.82-0.89)。

表1 纳入队列的基线特征

表2 研究结局

图1  8个死亡、心肌梗死和大出血事件最重要预测因素雷达图

图2 训练、内部验证和外部验证数据集的1年死亡、心肌梗死和大出血AUCs

图3 基于PRAISE评分，根据事件概率十分位数观测得到的死亡、心肌梗死和大出血风险

图4：心肌梗死和大出血风险类别的交叉分类(A)两种风险类型间的假设权衡(B)

将机器学习应用于识别ACS后事件的预测因素是可行且有效的。PRAISE评分对全因死亡、心肌梗死和大出血事件的预测，表现出了精确的分辨能力，可能有利于制定临床决策。

参考文献：

D'Ascenzo F, De Filippo O, Gallone G, et al. Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets. Lancet. 2021 Jan 16;397(10270):199-207. doi: 10.1016/S0140-6736(20)32519-8. 

识别下方二维码回复“心闻速递192”即可获得文献原文

往期精彩链接

不想错过心脏之声的推送？

并点击右上角“···”菜单