机器学习为指导急性失代偿性心力衰竭的治疗提供了新的工具

　　

　　

　　最近的一项研究由德克萨斯心脏研究所心血管疾病三年级研究员Matthew Segar博士共同撰写，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，利用基于机器学习的方法来识别、理解和预测急性失代偿性心力衰竭(ADHF)患者的利尿剂反应性。

　　这项研究题为“识别急性失代偿性心力衰竭低利尿效率的现象绘制工具和临床评分”，发表在《JACC:心力衰竭》杂志上，利用了数十年的临床和注册数据集。

　　研究人员利用基于机器学习的方法开发了一种名为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。在其他临床人群中验证后，实施该工具可能会导致有效管理ADHF住院患者充血的个性化策略。

　　对于血流动力学稳定且有过量液体的心力衰竭患者，解决利尿剂抵抗的最有效方法，专家之间仍然缺乏共识。一般建议在考虑联合用药前，先优化环状利尿剂的剂量;然而，在引入另一种利尿剂之前，应该增加多少剂量尚无共识。

　　住院患者利尿反应不佳会阻碍治疗进展，增加出院后再住院和死亡的风险。Segar博士说:“早期识别利尿效率低的个体，以定制缓解充血策略并改善临床结果至关重要。”

　　ADHF是一个日益受到关注的公共卫生问题。该疾病导致急诊室就诊，住院治疗和相关的高卫生保健费用。ADHF的特点是体内积液过多，通常需要住院治疗或改变患者当前的治疗计划。

　　“今天，治疗ADHF的主要目标是使用利尿剂药物缓解充血。然而，这些药物的最佳剂量仍然存在不确定性。此外，由于ADHF患者的异质性，需要一种更个性化的方法来预测最佳给药策略，”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，来自美国各机构的研究人员利用机器学习(ML)算法，根据对利尿剂治疗的反应来识别急性心力衰竭患者的亚组。具体来说，研究人员通过使用来自多个临床试验和注册中心的公开可用和未确定的数据，包括DOSE、ROSE-AHF、CARRESS-HF、ATHENA-HF、ESCAPE和美国心脏协会精准医学平台指南- hf (GWTG-HF)注册中心的数据，开发了ADHF患者利尿效率现象图方法。

　　这些参与者水平的汇总数据使研究人员能够开发一种现象映射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，特别是在他们对利尿剂治疗的反应方面。

　　除了利尿反应的差异外，患者亚组也有显著不同的临床结果，突出了表型组方法的预后效用。研究人员随后开发并验证了BAN-ADHF评分，以预测出现利尿反应最小表型组的可能性。

　　“我们知道BAN-ADHF评分可以准确地识别、表征和预测ADHF患者的利尿剂耐药性。现在我们必须利用这些医学知识进行临床研究，以评估在我们的护理方案中实施BAN-ADHF评分是否能改善急性失代偿性心力衰竭住院患者的预后，”Segar博士说。

　　更多信息:Matthew W. Segar等，急性失代偿性心力衰竭患者利尿效率低的临床评分，JACC: Heart Failure(2023)。DOI: 10.1016/j.jchf.2023.09.029引文:机器学习为指导急性失代偿性心力衰竭治疗提供了一种新工具(2024年1月30日)。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。