机器学习预测疑似或已知心脏病患者的死亡风险
一种新的人工智能评分比全球卫生专业人员使用的既定评分更准确地预测了怀疑或已知冠状动脉疾病患者在10年内死亡的可能性。这项研究于今天在欧洲心脏病学会(ESC)的科学大会EuroEcho 2021上发表。
不同于传统方法基于临床数据在美国，新的评分还包括由压力测量的心脏成像信息心血管磁共振(CMR)。“压力”指的是病人在接受磁共振成像扫描仪检查时，服用一种模拟运动对心脏影响的药物。
“这是第一个表明机器学习与临床参数加上压力CMR可以非常准确地预测风险的研究死亡美国巴尔的摩约翰·霍普金斯医院的研究作者西奥·佩泽尔博士说。“研究结果表明胸部疼痛，呼吸困难，或危险因素心血管病应该进行压力CMR测试，并计算分数。这将使我们能够为那些最需要的人提供更密集的随访和锻炼、饮食等方面的建议。”
风险分层通常用于心血管疾病患者或高风险患者，以量身定制的管理，旨在预防心脏病发作、中风和心血管疾病心脏性猝死．传统计算器只使用有限的临床信息，如年龄、性别、吸烟状况、血压和胆固醇。本研究使用压力CMR和临床数据检验了机器学习的准确性，以预测疑似或已知患者的10年全因死亡率冠状动脉疾病，并将其表现与现有分数进行比较。
Pezel博士解释说:“对于临床医生来说，我们从患者身上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，并可能发现我们不知道存在的关联，从而改善风险预测。”
这项研究包括了在2008年至2018年期间被转诊到巴黎一家中心进行压力CMR的31752名患者，这些患者因胸痛、运动时呼吸短促或心血管疾病高风险而没有症状。高风险被定义为具有至少两种危险因素，如高血压、糖尿病、血脂异常和当前吸烟。患者平均年龄为64岁，其中66%为男性。收集了23项临床和11项CMR参数的信息。从法国国家死亡登记处获得的全因死亡患者的随访中位数为6年。在随访期间，2679例(8.4%)患者死亡。
机器学习分两步进行。首先，它被用来选择哪些临床和CMR参数可以预测死亡，哪些不能。其次，使用机器学习基于第一步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。患者在10年内死亡的可能性被分为0分(低风险)到10分(高风险)。
机器学习得分能够预测哪些患者会活或死，准确率为76%(从统计学角度来说，曲线下的面积为0.76)。佩泽尔博士说:“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。”
使用相同的数据，研究人员使用已建立的评分(系统冠状动脉风险评估[SCORE]， QRISK3和Framingham风险评分[FRS])和先前纳入临床和CMR数据的评分(临床压力scmr [C-CMR-10])计算了全因死亡的10年风险，这些评分都没有使用机器学习。的机器学习评分与其他评分相比，预测10年全因死亡率的曲线下面积显著增大:score = 0.66, QRISK3 = 0.64, FRS = 0.63, C-CMR-10 = 0.68。
佩泽尔博士说:“压力CMR是一种不使用辐射的安全技术。我们的研究结果表明，将这些成像信息与人工智能生成的算法中的临床数据结合起来，可能是一种有用的工具，有助于预防有心血管症状或心血管疾病患者的心血管疾病和心源性猝死风险因素．"
