Clin Res Cardiol：预测东亚HF患者死亡风险的新型风险评分
凭借可有效无偏地选择特征和分割连续变量的能力，机器学习 (ML) 算法可以改进风险预测。 在最新发表在“Clin Res Cardiol”杂志的“Predicting survival in heart failure: a risk score based on machine-learning and change point algorithm”研究中，研究人员使用 ML 算法在东亚心力衰竭 (HF) 患者中生成了死亡率风险评分模型。
凭借可有效无偏地选择特征和分割连续变量的能力，机器学习 (ML) 算法可以改进风险预测。 在最新发表在“Clin Res Cardiol”杂志的“Predicting survival in heart failure: a risk score based on machine-learning and change point algorithm”研究中，研究人员使用 ML 算法在东亚心力衰竭 (HF) 患者中生成了死亡率风险评分模型。
研究人员从韩国急性心力衰竭 (KorAHF) 登记处采集了3683 名患者的数据，其中包含 27 个连续变量和 44 个分类变量。采用分组Lasso算法进行了特征选择，提出了一种基于变点分析的连续变量分割算法，可有效分割连续变量的范围。然后，为每个特征分配一个风险评分，反映特征与生存时间之间的非线性关系，并为每个患者计算最大为100 的整数评分。
根据Lasso算法分组的患者的累积死亡率
在随访3年时间中，32.8%的患者死亡。采用分组Lasso算法，研究人员确定了15个非常重要的独立的临床特征。每个患者的计算风险评分范围在 1 到 71 分之间，中位数为 36分(四分位范围：27-45)。3 年生存率因风险评分的五分位数而异，第 1 和第 5 分位数患者的3年生存率分别为 80% 和 17%。此外，ML 风险评分在预测 1 年死亡率方面的 AUC 高于 MAGGIC-HF 评分(0.751 vs 0.711;p<0.001)。
综上所述，该研究表明，在东亚心力衰竭患者中，基于 ML 和新的连续变量分割算法的新型风险评分模型比传统预测模型在死亡率预测方面的表现更好。
相关文章
评论
我要跟帖
.jpg)
