机器学习可以预测疑似或已知心脏病患者的死亡风险

Sophia-Antipolis–2021 年 12 月 11 日：与全球卫生专业人员使用的既定评分相比，新的人工智能评分提供了对疑似或已知冠状动脉疾病患者在 10 年内死亡的可能性的更准确预测。该研究今天在欧洲心脏病学会 (ESC) 的科学大会 EuroEcho 2021 上发表。1

与基于临床数据的传统方法不同，新评分还包括心脏的成像信息，通过压力心血管磁共振 (CMR) 测量。“压力”是指在磁共振成像扫描仪中给患者服用一种药物来模拟运动对心脏的影响。

美国巴尔的摩约翰霍普金斯医院的研究作者 Theo Pezel 博士说：“这是第一项表明机器学习结合临床参数和压力 CMR 可以非常准确地预测死亡风险的研究。”“研究结果表明，有胸痛、呼吸困难或心血管疾病危险因素的患者应该接受压力 CMR 检查并计算他们的分数。这将使我们能够为最需要的人提供更深入的跟进和有关运动、饮食等方面的建议。”

风险分层通常用于心血管疾病患者或心血管疾病高风险患者，以定制旨在预防心脏病发作、中风和心源性猝死的管理。传统计算器使用有限数量的临床信息，例如年龄、性别、吸烟状况、血压和胆固醇。本研究使用压力 CMR 和临床数据检查了机器学习的准确性，以预测疑似或已知冠状动脉疾病患者的 10 年全因死亡率，并将其性能与现有评分进行比较。

Pezel 博士解释说：“对于临床医生来说，我们从患者那里收集的一些信息似乎与风险分层无关。但机器学习可以同时分析大量变量，可能会发现我们不知道存在的关联，从而改进风险预测。”

该研究包括 2008 年至 2018 年期间因胸痛、劳累时呼吸急促或心血管疾病高风险而被转诊至巴黎中心接受压力 CMR 治疗的 31,752 名患者，但没有任何症状。高危被定义为至少有两个危险因素，如高血压、糖尿病、血脂异常和目前吸烟。平均年龄为 64 岁，66% 为男性。收集了 23 个临床参数和 11 个 CMR 参数的信息。从法国国家死亡登记处获得的全因死亡中位随访时间为 6 年。在随访期间，2,679 (8.4%) 名患者死亡。

机器学习分两步进行。首先，它用于选择哪些临床和 CMR 参数可以预测死亡，哪些不能。其次，机器学习用于根据第一步中确定的重要参数构建算法，为每个参数分配不同的重点以创建最佳预测。然后对患者在 10 年内死亡的可能性进行 0(低风险)到 10(高风险)的评分。

机器学习分数能够以 76% 的准确率预测哪些患者会活着或死亡(在统计方面，曲线下面积为 0.76)。“这意味着在大约四分之三的患者中，评分做出了正确的预测，”佩泽尔博士说。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！