识别心力衰竭患者易发急性肾损伤:一种机器学习方法
摘要
背景:
研究表明心衰(HF)合并急性肾损伤(AKI)患者中有一半以上为新发急性肾损伤,肾功能评价指标如肾小球滤过率(eGFR)的估算不能及时识别肾功能正常但AKI高危的患者。作为一个独立的危险因素,AKI延迟识别已被证明与HF患者的预后相关,如慢性肾脏疾病和死亡。
摘要目的:
开发和评估无监督机器学习模型,识别肾功能正常但易发生新发AKI的HF患者。
方法:
我们分析了一个电子健康记录(EHR)数据集,其中包括5075名肾功能正常的心衰患者,通过该数据集,使用一种名为K-Means聚类的无监督机器学习算法对两个表型组进行分类。然后,我们通过生存分析、AKI预测和风险比(HR)测试验证推断的表型指数是否有可能成为一个重要的风险指标。
结果:
产生的表型组2的AKI发生率显著高于表型组1,表型组2的存活率持续低于表型组1 (P< 0.005)。通过逻辑回归,使用表型指数的单变量模型在AKI预测中取得了令人满意的表现(敏感性0.710)。产生的表型指数作为AKI的风险指标也具有显著性(HR 3.20, 95%可信区间2.55-4.01)。将所提出的模型应用于从MIMIC III中提取的1006例肾功能正常的HF患者的外部验证数据集(11.5%(259/2252)对3.7%(106/2823),P< 0.001),得到了一致的结果。
结论:
通过对EHR数据的机器学习分析,将肾功能正常的HF患者聚类为与新发AKI风险水平相关的单独表型组。我们的研究表明,在临床环境中,使用机器学习可以促进患者表型和风险分层,其中高风险患者的识别一直具有挑战性。
引用
请求排队。正在生成文件,请稍候。这可能需要一些时间。