机器学习为指导急性失代偿性心力衰竭的治疗提供了新工具
最近的一项研究由德克萨斯心脏研究所三年级心血管疾病研究员 Matthew Segar 博士与人合着 ，由他的研究和住院医师导师、德克萨斯大学西南医学中心的Ambarish Pandey 博士领导，该研究利用了基于机器学习的方法识别、理解和预测急性失代偿性心力衰竭(ADHF)患者利尿反应的方法。
这项研究“用于识别急性失代偿性心力衰竭低利尿效率的表型映射工具和临床评分”发表在著名的大学心脏病学心力衰竭杂志(JACC心力衰竭)上，利用了由国立研究院资助的数十年的临床和注册数据集健康和心脏协会。
研究人员利用基于机器学习的方法开发了一种称为 BAN-ADHF 评分的预测工具，该工具在准确预测利尿反应方面显示出有希望的结果。在其他临床人群中进行验证后，实施该工具可能会产生个性化策略，以有效管理因 ADHF 住院的患者的拥堵情况。
对于血流动力学稳定且液体量过多的心力衰竭患者解决利尿抵抗的最有效方法，专家们仍缺乏共识。一般建议在考虑联合治疗之前优化袢利尿剂的剂量;然而，对于在引入另一种利尿剂之前应增加多少剂量尚未达成共识。
“住院患者的低效利尿反应可能会阻碍治疗进展，并增加出院后再住院和亡的风险。尽早识别利尿效率低下的个体以制定缓解充血策略并改善临床结果至关重要，”Segar 博士说。
ADHF 是一个越来越令人关注的公共卫生问题。这种疾病会导致急诊室就诊、住院以及相关的高额医疗费用。ADHF 的特点是体内液体过多，这通常需要住院治疗或改变患者当前的治疗计划。
“如今，治疗 ADHF 的主要目标是使用袢利尿药物缓解充血。然而，这些药物的最佳给药剂量仍存在不确定性。此外，由于 ADHF 患者的异质性，需要一种更加个性化的方法来预测最佳剂量策略，” 德克萨斯心脏研究所总裁兼首席执行官Joseph G. Rogers 博士说。
在这项研究中，来自各地机构的研究人员利用机器学习 (ML) 算法，根据急性心力衰竭患者对利尿治疗的反应来识别他们的亚组。具体来说，研究人员利用来自多个临床试验和注册机构(包括 DOSE、ROSE-AHF、CARRESS-HF、ATHENA-HF、ESCAPE 和心脏协会)的公开且未识别的数据，为 ADHF 患者开发了一种利尿效率表型图谱方法。 精准医疗平台 获取Guidelines-HF (GWTG-HF) 注册中心。这些参与者级别的汇总数据使研究人员能够开发表型图谱方法和利尿效率评分。每个亚组中的患者具有相似的特征，但在临床上与其他亚组不同，特别是在对利尿治疗的反应方面。除了利尿反应存在差异外，患者亚组还具有显着不同的临床结果，凸显了表型分组方法的预后效用。研究人员随后开发并验证了 BAN-ADHF 评分，以预测利尿反应最少的表型组的概率。
“我们知道 BAN-ADHF 评分可以从数学角度准确识别、描述和预测 ADHF 患者的利尿抵抗。现在，我们必须利用这些医学知识并进行临床研究，以评估在我们的护理方案中实施 BAN-ADHF 评分是否可以改善因急性失代偿性心力衰竭住院患者的预后，”Segar 博士分享道。
版权声明：本文由用户上传，如有侵权请联系删除！