人工智能現可識別5種心衰用于指導風險預測和治療

心力衰竭影響著全球數百萬人，但可由多種因素引起，需要不同的治療。現在，研究人員利用一個大型的、基于人群的數據集訓練了多個機器學習模型，以確定心力衰竭的五種亞型，這可能會更好地為治療、病人教育和未來風險因素的預測提供信息。

"心力衰竭"是一個總括性術語，用于描述當心臟不能有效地泵送血液和氧氣以滿足身體的需要。它可以由影響病情治療的幾個潛在因素引起。心衰的風險因素包括冠狀動脈疾病和心臟病發作、糖尿病、高血壓、超重和肥胖以及心臟瓣膜的疾病。

傳統上，不同類型的心力衰竭是根據一個人的左心室射血分數（LVEF）來分類的，即心臟左心室每次收縮時推出的血液量。但2018年瑞典的一項機器學習研究發現，LVEF并不能預測心衰的存活率。

現在，倫敦大學學院的研究人員利用四個機器學習模型開發了一個確定心衰亞型的框架，這可能會更好地指導治療和確定未來風險。

研究人員查看了英國30多萬名被診斷為心力衰竭的患者的匿名電子健康記錄數據，時間跨度達20年。這些數據取自兩個代表英國人口的大型初級保健數據集。

該研究的主要作者Amitava Banerjee說："我們試圖改善我們對心力衰竭的分類方法，目的是更好地了解疾病的可能進程，并將其傳達給病人。目前，這種疾病如何發展對個別病人來說是難以預測的。有些人的病情會穩定很多年，而有些人則會迅速惡化。"

為了避免使用一個機器學習模型可能產生的偏見，研究人員使用了四個模型將心力衰竭病例分成了幾組。在使用部分數據進行訓練后，這些模型根據可能的635個因素中的87個因素分辨出五個亞型，包括年齡、癥狀、是否存在其他疾病、病人服用的藥物、血壓等健康參數以及腎功能等測試結果。這些亞型使用一個單獨的數據集進行了驗證。

這五種亞型是根據具體的特征進行分組的。早發"包括風險因素發生率低的年輕人。晚發'是指年齡較大、女性、處方藥少且有心血管疾病的人。房顫相關 - 一種心臟不規則跳動的情況，或是患有心臟瓣膜疾病的人。"代謝性亞型"包括超重的人，他們的危險因素比率中等，但心血管疾病的比率較低。而"心臟代謝型"包括服用大量處方藥的超重人群，他們的風險因素和心血管疾病的比率很高。

研究人員發現，不同亞型之間在診斷后一年內的死亡風險是不同的。一年后，心房顫動相關亞組的人全因死亡風險最高（61%），其次是晚發（46%）、心臟代謝（37%）、早發（20%）和代謝（11%）。

研究人員說，該研究的發現可用于改善心衰的治療。Banerjee說："更好地區分心力衰竭的類型也可能導致更有針對性的治療，并可能幫助我們以不同的方式思考潛在的治療方法。"

研究人員根據他們的機器學習方法開發了一個應用程序，醫生可以用它來確定一個人屬于哪個亞型。它可以用來指導病人教育和改善對未來風險的預測。

"下一步是看這種心力衰竭的分類方法是否能給病人帶來實際的變化--它是否能改善風險預測和臨床醫生提供的信息質量，以及它是否能改變病人的治療，"Banerjee說。"我們還需要知道它是否會有成本效益。我們設計的應用程序需要在臨床試驗或進一步的研究中進行評估，但可以幫助常規護理。"

該研究發表在《柳葉刀數字健康》雜志上。