本文介绍了郑州大学唐俊楠团队与哥伦比亚大学Cheng Ke共同通讯在Nature Communications上发表的一篇关于人工智能混合建模框架的研究，该框架旨在提高晚期心力衰竭（AHF）和肾功能不全（RD）患者的生存评估准确性。研究团队开发了一个名为AIHFLevel的系统，通过集合多个学习器来扩展建模方案，并推出一个方便用户使用的网站进行风险监测和精确分析。该研究的目的是优化患者管理策略，提供可解释的预测系统，以改善AHF和RD患者的生存评估。
晚期心力衰竭（AHF）和肾功能不全（RD）是危及生命的疾病，其预后评估面临多种挑战。现有的预后参数和工具在准确评估AHF结果方面存在复杂性。研究背景强调了慢性肾脏疾病（CKD）作为心衰的普遍合并症，其存在增加了全因死亡率和AHF住院的风险。因此，全面的生存预测对于获得明确的预后和有针对性的干预措施至关重要。
该研究采用了一种人工智能混合建模框架，集合了多个学习器来扩展建模方案。通过从多种方案中选择最优策略，建立了可解释的生存评估系统AIHFLevel。纳入的1736例AHF/RD患者数据来自河南省心血管疾病临床研究中心和其他合作医疗中心。
AIHFLevel系统在识别、校准、推广和临床意义上的稳健性方面表现出色，优于现有的模型、临床特征和生物标志物。研究还推出了一个方便用户使用的网站，为医护专业人士提供更完善的工具进行持续的风险监测和精确的风险分析。
该研究面临了传统心衰预后模型预测能力有限、研究者偏见影响建模算法的选择等挑战。通过采用人工智能混合建模框架，最大限度地利用了各种算法，减少了研究者偏见的影响。将系统与临床可解释性和预后分层相结合，优化患者管理策略。
肾功能不全(RD)通常是晚期心力衰竭(AHF)患者病程较差的特征。许多预后评估受到研究者偏见、冗余预测因子和缺乏临床适用性的阻碍。
2024年8月8日，郑州大学
唐俊楠，
张金盈及
哥伦比亚大学
Cheng Ke
共同通讯
在
Nature Communications
在线发表题为
“
AI hybrid survival assessment for advanced heart failure patients with renal dysfunction
”
的研究论文，
该研究
开发了一个人工智能混合建模框架，集合了12个具有不同特征选择范式的学习器来扩展建模方案。从132种可能方案中确定最优策略，建立可解释的生存评估系统：AIHFLevel。
研究纳入1736例AHF/RD患者，数据来自河南省心血管疾病临床研究中心(包括11个医院分中心)和Beth Israel Deaconess医疗中心。条件推断生存树确定了预后分层的概率阈值。评估证实了该系统在识别、校准、推广和临床意义上的稳健性。AIHFLevel优于现有的模型、临床特征和生物标志物。
研究亦推出一个开放及方便用户使用的网站www.hf-ai-survival.com，为医护专业人士提供更完善的工具，以进行持续的风险监测和精确的风险分析。
心力衰竭(HF)是一种危及生命的疾病，标志着许多心脏疾病的最终共同途径。
大多数HF病例最终进展到晚期，其特点是尽管进行了最大限度的治疗，但症状仍持续存在。晚期心衰(AHF)的发病率通常呈逐渐恶化的模式，穿插着急性恶化的发作，导致猝死。预后分层对于及时转介到合适的中心，正确地向患者和家属传达期望，以及计划治疗和随访策略非常重要。
尽管有许多预后参数和工具，但准确评估AHF的结果仍然很复杂。
慢性肾脏疾病(CKD)一直被认为是心衰的普遍合并症，当存在时，在所有合并症中，其全因死亡率(ACM)和AHF住院的人口归因风险最高。
心衰和肾功能不全(RD)之间复杂的相互作用加速了疾病的进展，由神经激素和炎症激活、静脉压升高和灌注不足驱动。在临床上，AHF合并RD的患者可能会遭受额外的伤害，因为这类患者通常接受较低剂量的药物，并且避免使用造影剂进行诊断检查。最近的研究强调，合并AHF和RD的患者通常没有最佳的循证医学治疗，即使eGFR水平由于肾功能不全而不禁忌这种治疗。迫切需要进一步努力减轻这种风险。虽然像利钠肽这样的新兴生物标志物提供了一些出院后的预后价值，但它们对AHF或RD病例的特异性不够，限制了它们的临床应用。使用系列利钠肽测量的管理和预后指导的有效性仍未确定。此外，心衰和RD人群的异质性降低了单一生物标志物的有效性。
因此，在这一高危人群中，应优先进行全面的生存预测，以获得明确的预后和有针对性的干预措施。
研究方法概述，图片由bioRender.com的授权版本创建（图源自
Nature Communications
）
临床数据的高维性和交互性使得假设驱动的传统统计方法不那么有效。
目前，传统的心衰预后模型的预测能力普遍有限。人工智能(AI)越来越多地被用于建立预测死亡、再入院或复合终点的预后工具；然而，没有一种算法可以完美地评估HF的结果。尽管有许多选择，但研究人员的偏好和知识限制可能导致建模算法的次优使用，从而导致预测能力降低。算法选择应基于各种目标和条件，并与已知规则保持一致。此外，目前的风险模型，往往负担冗余或昂贵的预测，证明不切实际的日常临床实践和难以获得的初级保健。预测模型的实际应用需要平衡准确性、可解释性和复杂性。尽管具有潜力，但人工智能的“黑箱”性质在向临床医生提供清晰的解释和透明度方面提出了挑战，这是限制许多心衰预后模型临床应用的关键因素。
此外，许多心衰预后模型缺乏广泛的外部验证和校准，限制了它们在不同临床环境和人群中的推广。
研究目的是在多中心回顾性纵向队列中开发和验证一个可解释的预测系统，用于AHF和RD患者的生存评估。
研究的人工智能混合建模框架最大限度地利用了各种算法，减少了研究者偏见的影响。将该系统与临床可解释性和预后分层相结合，优化患者管理策略。
该系统(AIHFLevel)已被翻译成一个方便的网络应用程序，以方便临床医生使用，可在“www.hf-ai-survival.com”上获得。
免责声明：iNature专注于最新的研究进展。本文仅作信息交流之目的，文中观点不代表iNature立场，亦不代表iNature支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导，请前往正规医院就诊。
参考消息：
https://www.nature.com/articles/s41467-024-50415-9#Abs1
—
END
—
内容为
【iNature】
公众号原创，
转载请写明来源于
【iNature】
