我们收集了2010年12月至2018年8月7年间大连医科大学第一附属医院(中国辽宁省)确诊为HF住院患者的EHR数据。所有HF患者均根据机构指南进行诊断和治疗。由于电子病历诊断术语已根据《国际疾病及相关健康问题统计分类第十版》(ICD-10 [gydF4y2Ba 22gydF4y2Ba])，由人工智能技术公司与医院(易都云科技有限公司)合作开发的动态更新大数据智能平台，对新诊断的心衰患者(年龄> ~ 18岁)进行筛查。每个患者的数据都是从整合到单一平台的各种EHR系统中提取的，包括医院信息系统、电子病历、放射信息系统、实验室信息系统、超声系统、心电图系统。该研究最终获得大连医科大学第一附属医院伦理委员会的批准。由于回顾性设计，放弃书面知情同意。gydF4y2Ba

该平台整合了患者日常保健的全面和详细数据。通过自然语言处理、ML技术和定义良好的逻辑规则对常见变量和心血管特定变量进行结构化和规范化。考虑到EHR数据规模大，ML技术的优势，本研究收集了已知临床意义且通过传统病历无法获得的候选变量。我们排除了缺失值大于20%的变量。最后，从大数据智能平台中提取出与第一次住院相关的79个变量。特征如下:人口统计学(年龄和性别)、个人病史(吸烟和饮酒)、病史(共病和手术)、病因学、生命体征、常规实验室检查、干预措施和入院时药物使用情况(gydF4y2Ba 多媒体附件1gydF4y2Ba)．在不同时期重复测量HF患者的生命体征和实验室检查，以确保数据的准确性。gydF4y2Ba

我们分别使用5种算法建立模型来预测主要结局:1年内的全因住院死亡率。次要结果为(1)心衰患者使用正性肌力药物和(2)全因再入院。死亡率定义为住院患者在住院1年内的明确死亡记录。我们的研究选择了以下临床常用的正性肌力性药物:多巴胺、多巴酚丁胺、米力农、左西孟旦、地斯拉诺苷。再入院定义为从最后一次出院到下一次入院间隔超过1天的患者;无再入院患者在住院1年内死亡。因此，入选的患者被标记为“死亡”或“幸存者”。gydF4y2Ba

首先采用合成少数群体过采样技术来解决数据集的不平衡，死亡患者和幸存者之间的比例为1:1。通过衍生新的“合成”样本来缓解不平衡，少数人被过度采样是很常见的[gydF4y2Ba 23gydF4y2Ba］．gydF4y2Ba

使用保留方法将数据集分为训练/验证数据集(90%)和保留测试集(10%)。通过10次交叉验证探索了五种方法来构建模型和调整参数:LR, RF, SVM, ANN和XGBoost。保留测试集用于评估用训练集创建的最佳表现模型。受试者工作特征(ROC)曲线下面积(AUC)被选为我们模型的主要评估指标，包括准确性、精密度和召回率。Brier评分(范围为0到1)——预测值与实际值之间的平均平方误差——也通常表示为整体测量的“校准”。采用Shapley加性解释(SHAP)值来评价特征的重要性。gydF4y2Ba

LR是进行分类决策的最基本的二分线性模型选择方法。LR在测量连续或分类变量中基于二元分类关系的“0”和“1”之间的概率方面更胜一筹[gydF4y2Ba 24gydF4y2Ba］．我们使用sklearn。线性模组来建立LR模型。gydF4y2Ba

RF是一种集成了多个决策树分类器的算法。决策树的每个节点代表一个预测变量，通过设置最优阈值来分离结果类。特征的重要性也可以通过分类器节点的权值之和得到[gydF4y2Ba 25gydF4y2Ba］．RF方法通常用于处理数千个不降维的输入变量。我们使用了来自sklearn的射频分类器。集成模块来开发模型。相关参数(n_estimators, max_features, max_depth和min_samples_split)进行了调整，以防止结果不佳和过拟合。gydF4y2Ba

SVM作为一种二分类监督算法，可以应用于高维特征空间。最好的超平面可以使用基于内核的函数以最大间隔分离两个类[gydF4y2Ba 26gydF4y2Ba］．gydF4y2Ba

利用sklearn实现了多层感知器(MLP)分类器。神经网络模块开发模型[gydF4y2Ba 27gydF4y2Ba］．MLP是一种流行的神经网络方法，通常由来自输入层、隐藏层和输出层的神经元组成。通过隐含层中的加权连接和激活函数对数据进行处理[gydF4y2Ba 28gydF4y2Ba］．在我们的研究中，两个隐藏层分别有40和20个神经元。选择整流线性单元作为它们的激活函数。gydF4y2Ba

XGBoost是一种增强方法;该算法旨在以迭代的方式将弱分类器集成为单个健壮分类器[gydF4y2Ba 29gydF4y2Ba］．该算法在梯度boosting决策树的基础上，以boosting集成的方式构建可扩展的分类回归树，能够灵活、准确地学习变量与结果之间的非线性关系[gydF4y2Ba 30.gydF4y2Ba］．学习率越小(0.1)，泛化效果越好。树数和最大深度分别限制为80(估计器)和3。gydF4y2Ba

所有ML算法都使用Python(3.6.5版本;Python Software Foundation)，并使用Python(3.6.3)的开源Scipy(版本1.3.0)数据库进行统计分析。所有分类数据均以百分比表示。所有符合正态分布的连续数据均以均值(SD)表示;反之为中位数(IQR)。学生gydF4y2Ba tgydF4y2Ba组间比较采用卡方检验。gydF4y2Ba PgydF4y2Ba值<。05were considered statistically significant.

本研究共纳入13602例新诊断心衰的住院患者，其中3.95% (n=537)在1年内住院死亡。正性肌力药使用率为20.43% (n=2779)。HF患者30天、60天和1年的总全因再入院率分别为4.83%、14.77%和21.16% (n=657, n=2009, n=2878，共13602例)。根据生存状况比较两组符合条件人群的基线特征(gydF4y2Ba 表1gydF4y2Ba)．死亡组患者年龄高于存活组(77岁，IQR分别为66.5-83.0岁和72岁，IQR分别为63.0-80.0岁)。两组男性患者比例均为52.5%(死者组为282/537，幸存者组为6860/ 13065)。合并糖尿病、高血压和肿瘤的患者数量在两组之间有显著差异gydF4y2Ba PgydF4y2Ba<措施)。关于心衰的病因，我们发现在死亡组和幸存组中，心肌病和心律失常的患者数量有所不同(两者都有差异)gydF4y2Ba PgydF4y2Ba<措施)。两组HF患者生命体征(心率、血压)差异有统计学意义(p < 0.05)gydF4y2Ba PgydF4y2Ba<措施)。在医院存活的受试者中，住院药物使用(血管紧张素转换酶抑制剂[ACEIs]和醛固酮受体拮抗剂[arb])较高(gydF4y2Ba PgydF4y2Ba<措施)。gydF4y2Ba

采用5种算法建立了1年住院死亡风险评估的预测模型。gydF4y2Ba 图1gydF4y2BaA以AUC的形式表示模型的性能。LR、RF、SVM、ANN和XGBoost的AUC值分别为0.91、1.00、0.99、0.99和0.99。射频算法相对于其他算法具有较高的AUC。文中给出了5种方法的标定图gydF4y2Ba 图2gydF4y2BaA. 4个ML模型的准确率均高于95%。在精度方面，RF和ANN算法表现最好，达到了最高的精度(0.96)，其次是SVM(0.93)和XGBoost(0.91)算法。RF和ANN的Brier评分最低(0.03)(gydF4y2Ba 表2gydF4y2Ba)．gydF4y2Ba

此外，我们通过应用RF和XGBoost方法探索了影响死亡率预测的特征的重要性(gydF4y2Ba 图3gydF4y2Ba)，每个特征的权重分配以SHA表示gydF4y2Ba PgydF4y2Ba基于它是否有利于生存判断的价值。如gydF4y2Ba 图3gydF4y2BaA、3B、血尿素、高敏心肌肌钙蛋白I (hs-cTnI)、肌酐、天门冬氨酸转氨酶(AST)、淋巴细胞百分比是预测死亡率的前5位相关变量。相比之下，用XGBoost算法识别的hs-cTnI是最关键的标记物，其次是尿素、呼吸频率、嗜碱性粒细胞百分比和中性粒细胞百分比。gydF4y2Ba

图1gydF4y2BaB显示了患者使用正性肌力药物时预测模型的ROC。在5个模型的AUC比较中，XGBoost和RF模型的AUC值最高(0.96)，其次是SVM模型(0.91)，ANN模型(0.90)，LR模型(0.85)。综合考虑精密度(0.85)和召回率(0.91)，确定RF是预测的最佳方法(gydF4y2Ba 表3gydF4y2Ba)．如校正曲线所示(gydF4y2Ba 图2gydF4y2BaB)， RF算法的非参数图沿理想对角线接近，Brier评分最低(0.10)。gydF4y2Ba

有趣的是，BNP、国际标准化比值(INR)、脉搏率、hs-cTnI和AST是RF法预测正性肌力药物使用的前5个指标。在XGBoost模型中，BNP也被确定为预测正性肌力剂使用的关键标志物，其次是嗜碱性粒细胞计数、脉搏率、INR和hs-cTnI (gydF4y2Ba 图3gydF4y2BaC和3D)。gydF4y2Ba

以auc为代表的1年全因再入院的不同模型的差别见gydF4y2Ba 图1gydF4y2BaC. SVM方法在1年再入院预测方面表现最佳(AUC 0.96)。XGBoost的校准图Brier评分最低(0.12)，其次是RF(0.13)、SVM(0.16)、ANN(0.18)和LR (0.24) (gydF4y2Ba 图2gydF4y2BaC和gydF4y2Ba 表4gydF4y2Ba)．gydF4y2Ba

在分析的79个变量中，使用支持向量机方法，糖尿病的存在被确定为预测1年全因再入院的最重要标志，而使用XGBoost算法，嗜碱性粒细胞计数是再入院的重要预测因素。两种方法得出的其他特征的排名似乎存在一定的差异(gydF4y2Ba 图3gydF4y2BaE和3F)gydF4y2Ba

根据使用XGBoost算法获得的各种变量的截断值(gydF4y2Ba 图4gydF4y2Ba)．在79个变量中，hs-cTnI水平(<0.068 μg/L)被确定为区分已故和幸存患者的第一个单一预测因子。hs-cTnI左淋巴结下一个鉴别指标为淋巴细胞百分率<14.688%;相反，hs-cTnI右节点的下一个鉴别器是截断值小于4.870×10的中性粒细胞计数gydF4y2Ba^9gydF4y2Ba/ L。随后将HF患者按分支点进行分层:高危(hs-cTnI <0.068 μg/L，淋巴细胞百分比<14.688%，胆碱酯酶<187.916 U/L);低危(hs-cTnI <0.068 μg/L，淋巴细胞百分比≥14.688%，尿素<10.113 mmol/L);中度危险1 (hs-cTnI≥0.068 μg/L，中性粒细胞计数≥4.870×10gydF4y2Ba^9gydF4y2Ba/L, AST <29.003 U/L);中度风险2 (hs-cTnI≥0.068 μg/L，中性粒细胞计数<4.870×10gydF4y2Ba^9gydF4y2Ba/L，呼吸频率<18.003次/分钟)。gydF4y2Ba

在我们的研究中，我们开发了基于5种不同ML算法的EHR数据驱动预后模型，用于预测中国单一三级综合医院HF患者1年内的住院死亡率、正性肌力药物的使用以及1年内的全原因再入院率。与传统线性方法相比，这些ML模型通过增加可解释性对预后结果产生更好的预测价值。此外，新型ML技术可以利用大量复杂的高维变量，扩大与预后结果相关的HF预测指标的范围。gydF4y2Ba

一个集成的电子病历系统包括各种数据资源，包括患者的人口统计数据、诊断信息、实验室检测结果和处方。然而，许多专家透露，ehr衍生数据的可用性是促进现实世界研究的先决条件[gydF4y2Ba 31gydF4y2Ba，gydF4y2Ba 32gydF4y2Ba］．在我们的研究中，来自不同年份的10,000多名患者的结构化EHR数据可以直接用于分析，而不存在数据收集和临床定义的偏差。从EHRs中应用了79个变量，包括人口统计学信息(n=4)、当前和既往病史(n=8)、HF诊断(n=3)、生命体征(n=5)、实验室测量(n=48)、干预措施(n=4)和药物治疗(n=7)。一般来说，使用来自成熟EHR系统的丰富数据的最终目标也是患者结局预测。随着数据科学的发展，不同类型的ML技术因其深厚的数据处理和决策能力而被广泛应用于模型训练[gydF4y2Ba 33gydF4y2Ba］．与以往使用传统LR方法的研究相比[gydF4y2Ba 11gydF4y2Ba，gydF4y2Ba 20.gydF4y2Ba]，我们的研究结果通过使用ML方法更好地区分因心衰住院患者的预后结果风险。该算法的优势在于可以在相关大数据集中建立复杂的模型并做出准确的决策。此外，使用ML算法可以建模更多的变量。鉴于本研究的5种方法，LR被认为是医学各个领域常用的方法[gydF4y2Ba 12gydF4y2Ba，gydF4y2Ba 18gydF4y2Ba］．RF算法涉及多个决策树的创建，这些决策树在处理大量高度非线性数据时能够更好地识别重要的预测特征[gydF4y2Ba 20.gydF4y2Ba，gydF4y2Ba 34gydF4y2Ba］．ANN是一种由大量简单神经元连接起来的复杂网络方法，模拟人脑的并行处理和非线性转换[gydF4y2Ba 35gydF4y2Ba］．SVM方法旨在使用变量类之间的非线性决策边界构建一个良好的分类器，使标签从一个或多个特征向量[gydF4y2Ba 36gydF4y2Ba］．值得一提的是，从AUC值的角度来看，XGBoost在预测HF患者1年住院死亡率、正性肌力药物的使用以及1年全因再入院方面优于其他4种方法。该方法的主要优点是它能够处理缺失值，并通过创建组合和加权变量来集成较弱的分类器的功能。将相关参数设置为特定值。gydF4y2Ba

已经建立了几种传统的预后模型来估计住院HF患者的死亡率。我们的结果与之前的1年死亡率预测研究一致，同时显示出更好的预测能力。我们的研究使用79个预测变量预测了13602例HF患者的结局，表明ML方法在预测死亡率方面优于EFFECT方法(AUC 0.77)，平均AUC为0.81 [gydF4y2Ba 10gydF4y2Ba］．经典的SHFM研究显示，1年内死亡率预测结果的auc为0.729-0.76 [gydF4y2Ba 37gydF4y2Ba]，尽管结合SHFM和BNP水平可以将AUC值提高到0.78 [gydF4y2Ba 38gydF4y2Ba］．此外，已知与心衰患者死亡率相关的变量在先前的各种模型中得到了证明。年龄、收缩压和尿素氮(BUN)水平被EFFECT模型证实为最强的独立预测因素[gydF4y2Ba 10gydF4y2Ba］．在具有里程碑意义的机械辅助治疗充血性心力衰竭随机评估(REMATCH)试验模型中[gydF4y2Ba 39gydF4y2Ba]，血小板计数，白蛋白，INR和AST与植入装置的HF人群1年死亡率相关。纽约心脏协会课程;使用β -受体阻滞剂、ACEIs或arb;心脏瓣膜疾病或心房颤动的存在显著影响心脏和共病心衰(3C-HF)评分的全因死亡率[gydF4y2Ba 40gydF4y2Ba］．我们的研究得到了类似的结果，表明除了心衰或心肌损伤的特异性生物标志物外，肾功能、凝血指标和炎症指标也是影响预后的关键因素。因此，也许采用大规模的ehr衍生数据可以增强甄别能力和预后结果的预测范围。gydF4y2Ba

再入院率是用于评估患者群体医疗保健服务质量的常用指标。目前大多数医院和机构仍采用传统的再入院风险模型和某些变量来推断再入院概率[gydF4y2Ba 41gydF4y2Ba］．与之前的预测模型一样，我们发现死亡率预测的准确性中等，但在预测再入院率方面模型相对较差。戈拉斯等[gydF4y2Ba 42gydF4y2Ba]提示各种ML算法并没有改善整体30天再入院率，AUC值约为0.66。即使与已建立的HF再入院模型(AUCs 0.6-0.7)相比，我们的最佳ML模型仍然令人鼓舞[gydF4y2Ba 43gydF4y2Ba］．ML模型中影响死亡率的变量与HF患者再入院的变量不同。我们认为，常规诊断生物标志物(BNP)和生命体征(呼吸频率和温度)可以主导再入院预测。然而，糖尿病、冠心病和性别是使用支持向量机方法预测再入院的前3个显著特征。在可解释的水平上，高模型AUC并不一定表明它最适合场景。gydF4y2Ba

正性肌力药物是一类能增加心肌收缩力和心排血量的药物，常用于治疗心衰患者。在我们研究的药物中，多巴胺和多巴酚丁胺主要具有肌力性作用，而米力农、大麻苷C和左西孟旦具有额外的血管舒张作用[gydF4y2Ba 44gydF4y2Ba］．然而，由于患者在接受肌力性治疗后预后较差，它们逐渐受到限制。因此，其在临床实践中的合理使用仍存在争议。我们的研究发现在预测正性肌力药物的使用方面比其他两种预后模型有更好的表现(auc在0.87至0.96范围内)。此外，本研究的结果与Aljundi等人的研究结果一致[gydF4y2Ba 45gydF4y2Ba]，他们报道了常规心脏生物标志物BNP可预测肌力药物的使用。许多研究已经证实，诸如血脂异常、慢性肾和肝损害以及高血糖等合并症与接受肌力性治疗的更高可能性相关。其他关键相关变量(INR、AST和嗜碱性粒细胞计数)从我们的模型中获得，并显示出与常见临床想法一致的结果。我们的模型在死亡率、正性肌力药物的使用和再入院的高风险患者中提供了良好的区分。在传统模型基础上纳入更多变量，对心衰结局高危人群早期识别和个体化干预的公共卫生转型具有重要意义。gydF4y2Ba

本研究的优势在于，我们还开发了一种分层风险评估工具，用于使用XGBoost算法预测1年住院死亡率。更多的特征，包括hs-cTnl、淋巴细胞百分比、中性粒细胞百分比、胆碱酯酶、尿素、呼吸频率和ast，首次使用ML方法进行死亡率预测。据报道，中性粒细胞增多与急性心肌梗死患者急性失代偿性心衰(ADHF)发生率增加有关，而淋巴细胞减少与心衰患者预后不良有关[gydF4y2Ba 46gydF4y2Ba，gydF4y2Ba 47gydF4y2Ba］．Seo等人[gydF4y2Ba 48gydF4y2Ba]表明胆碱酯酶是预测ADHF患者不良结局的简单标记物，与其他客观营养特征相比，胆碱酯酶倾向于提供更准确的预后信息。这些结果可以归因于基于ehr的数据的维度和广度，有助于从多个角度对心衰的风险分层、决策和疾病管理进行现实研究。国外已经建立了多种心衰风险模型来预测死亡率。回归分析的persist风险树[gydF4y2Ba 12gydF4y2Ba]的研究表明，住院死亡风险低、中、高的ADHF患者可以通过入院时获得的尿素氮、收缩压和肌酐轻松识别。MUSIC风险模型[gydF4y2Ba 49gydF4y2Ba]表明，在现实生活中，风险标志物包括房颤、低钠血症≤138 mEq/L、n端脑钠肽前体>1.000 ng/L和肌钙蛋白阳性与心脏死亡率相关。然而，先前模型的局限性在于它是基于特定的HF患者群体(即有症状的慢性HF)。值得注意的是，HF不同表型的病因、临床特征和治疗方法是截然不同的。因此，我们在本研究中汇总了所有类型的心衰患者;由此可见，预测死亡率的危险因素可能已经更加全面，并为具体亚组的进一步研究提供了新的见解。这些标志物可能为心衰患者提供更准确的风险评估，允许在日常公共卫生实践中及早实施适当的干预，从而导致心衰患者获得更好的结果。gydF4y2Ba

我们的研究有几个局限性值得一提。首先，这是一项基于回顾性使用ehr衍生数据的院内结局预测研究。虽然我们的模型本身的表现是相当可观的，但预测能力可以进一步调整，并与已建立的参考工具进行比较。其次，与存活的受试者相比，死亡患者的数量较少;虽然临床变量丰富，但不平衡的问题仍然存在。第三，本研究未在外部队列中进行验证，但计划在后续分析中进行。第四，在进一步的模型开发中，应该考虑到HF患者的不同表型。gydF4y2Ba

使用新型ML算法的ehr驱动模型被开发用于预测HF住院患者1年的住院死亡率、正性肌力药物的使用以及1年的全因再入院。我们的模型的辨别能力和性能也优于使用传统技术构建的现有工具。此外，确定更大范围的变量可以进一步改善心衰患者的风险评估决策。gydF4y2Ba