开发一种冠状动脉疾病的数字标记

利用机器学习和来自电子健康记录的临床数据，纽约西奈山伊坎医学院的研究人员构建了一种计算机生成的冠状动脉疾病(CAD)标记物，以更好地测量该疾病的临床重要特征。

该研究结果于12月20日在网上发表《柳叶刀》，可能会对CAD进行更有针对性的诊断和更好的疾病管理。CAD是世界上最常见的心脏病类型，也是导致死亡的主要原因。这项研究是已知的第一个将CAD特征映射到频谱上的研究。以前的研究只关注患者是否患有CAD。

CAD和其他常见病存在于一系列疾病中;每个人的混合风险因素疾病过程决定了它们在谱系中的位置。然而，大多数此类研究都将病谱严格划分为病例(患者有疾病)或对照(患者没有疾病)。研究人员说，这可能导致漏诊、不适当的管理和较差的临床结果。

资深研究作者、西奈山伊坎医学院查尔斯·布朗夫曼个性化医学教授Ron Do博士说:“从这种非侵入性疾病阶段获得的信息可以更准确地评估患者状态，从而使临床医生能够制定更有针对性的治疗计划。”

“我们的模型描述了冠状动脉疾病病谱上的患者群体;这可以为疾病进展以及患者对治疗的反应提供更多的见解。例如，能够揭示疾病风险、动脉粥样硬化和生存的不同等级，这在传统的二元框架中可能会被忽略，这是至关重要的。”

在回顾性研究中，研究人员训练了机器学习模型，在冠状动脉疾病的硅评分或ISCAD中命名，以精确测量CAD的频谱使用超过80,000电子健康记录来自两个大型卫生系统生物库，西奈山卫生系统的BioMe生物库和英国生物库。

该模型被研究人员称为“数字标记”，它结合了电子健康记录中数百种不同的临床特征，包括生命体征、实验室检测结果、药物、症状和诊断，并将其与现有的CAD临床评分(仅使用少量预先确定的特征)和CAD遗传评分进行比较。

95,935名参与者包括非洲人、西班牙裔/拉丁裔、亚洲人和欧洲人，还有很大一部分女性。最临床和机器学习CAD的研究主要集中在欧洲白人。

研究人员发现，该模型的概率准确地跟踪了冠状动脉狭窄的程度(冠状动脉狭窄)、死亡率和心脏病发作等并发症。

“像这样的机器学习模型也可以使医疗保健产业通过设计临床试验基于适当的患者分层。它也可能导致更有效的数据驱动的个性化治疗策略，”主要作者Iain S. Forrest博士说，他是Dr. Do实验室的博士后和医学博士/博士。他是伊坎西奈山医学科学家培训项目的学生。

“尽管取得了这些进展，但重要的是要记住，医生和基于程序的冠状动脉疾病诊断和管理并没有被人工智能取代，而是有可能得到ISCAD的支持，作为临床医生工具箱中的另一个强大工具。”

接下来，研究人员设想进行一项前瞻性的大规模研究，以进一步验证ISCAD的临床效用和可操作性，包括在其他人群中。他们还计划评估可在整个卫生系统中普遍使用的更便携的模型版本。