在伦敦大学学院研究人员领导的一项新研究中,已经确定了五种可能用于预测个体患者未来风险的心力衰竭亚型。
心力衰竭是一个总称,指的是心脏无法正常地将血液泵送到身体周围。目前对心力衰竭进行分类的方法不能准确预测疾病可能如何发展。
在这项发表在《柳叶刀数字健康》(The Lancet Digital Health)上的研究中,研究人员研究了英国300年来被诊断患有心力衰竭的000多万名30岁或以上的人的详细匿名患者数据。
使用几种机器学习方法,他们确定了五种亚型:早发,晚发,心房颤动相关(心房颤动是一种导致心律不齐的疾病),代谢(与肥胖有关,但心血管疾病发病率低)和心脏代谢(与肥胖和心血管疾病有关)。
研究人员发现,患者在诊断后一年内死亡的风险存在亚型之间的差异。一年时的全因死亡风险为:早发(20%)、晚发(46%)、心房颤动相关(61%)、代谢(11%)和心脏代谢(37%)。
研究小组还开发了一个应用程序,临床医生可能会使用它来确定心力衰竭患者患有哪种亚型,这可能会改善对未来风险的预测,并为与患者的讨论提供信息。
主要作者Amitava Banerjee教授(UCL健康信息学研究所)说:“我们试图改进我们对心力衰竭的分类方式,目的是更好地了解可能的疾病过程并将其传达给患者。目前,对于个体患者来说,很难预测疾病如何发展。有些人会稳定多年,而另一些人会很快恶化。
“更好地区分心力衰竭类型也可能导致更有针对性的治疗,并可能有助于我们以不同的方式思考潜在的治疗方法。
“在这项新研究中,我们使用多种机器学习方法和多个数据集确定了五个强大的亚型。
“下一步是看看这种对心力衰竭进行分类的方法是否可以对患者产生实际影响 - 它是否改善了风险预测和临床医生提供的信息质量,以及它是否改变了患者的治疗。我们还需要知道它是否具有成本效益。我们设计的应用程序需要在临床试验或进一步研究中进行评估,但可能有助于常规护理。
为了避免单一机器学习方法的偏见,研究人员使用了四种不同的方法来对心力衰竭病例进行分组。他们将这些方法应用于来自两个大型英国初级保健数据集的数据,这些数据集代表了整个英国人口,并且还与住院和死亡记录相关联。(数据集是临床实践研究数据链(CPRD)和健康改善网络(THIN),涵盖1998年至2018年。
研究小组在数据片段上训练机器学习工具,一旦他们选择了最强大的子类型,他们就使用单独的数据集验证了这些分组。
亚型是根据87个(可能的635个)因素建立的,包括年龄,症状,其他疾病的存在,患者正在服用的药物以及测试(例如,血压)和评估(例如,肾功能)的结果。
该团队还研究了来自英国生物银行研究的9,573名心力衰竭患者的遗传数据。他们发现心力衰竭的特定亚型与高血压和心房颤动等疾病的较高多基因风险评分(由于基因整体的总体风险评分)之间存在联系。