(资料图片仅供参考)
如今机器学习已经被用来分析心力衰竭的亚型，但并没有跨越大型、不同的基于人群的数据集，也没有快约整个病因和表现，或者通过不同的机器学习方法来进行临床和非临床验证。近日，一篇发表在国际杂志The Lancet Digital Health上题为“Identifying subtypes of heart failure from three electronic health record sources with machine learning: an external, prognostic, and genetic validation study”的研究报告中，来自英国伦敦大学学院等机构的科学家们通过研究识别出了五种心力衰竭亚型，其或能被潜在用来预测个体患者未来患病的风险。
心力衰竭是一个总称，指的是心脏无法正常向机体周围泵送血液，目前对心力衰竭分类的方法并不能准确预测疾病是如何进展的；这项研究中，研究人员分析了在英国被诊断为心力衰竭的30多万名30岁及以上人群的匿名患者数据，时间跨度达20年之久。利用多种机器学习方法，研究人员识别出了五种心力衰竭亚型，包括早发、晚发、心房颤动相关（心房颤动是一种会导致机体心律不齐的疾病）、代谢型（与肥胖相关但表现为较低的心血管疾病发生率）进而心脏代谢型（与肥胖和心血管疾病有关）。
研究人员发现，不同亚型的患者在确诊后一年内死亡的风险上存在着差异，一年后的全因死亡风险为：早发（20%）、晚发（46%）、心房颤动相关（61%）、代谢型（11%）和心脏代谢型（37%）。随后他们还开发了一种app，临床医生能用来确定心力衰竭患者的亚型，这或许就有望改善对个体未来疾病风险的预测并与患者讨论相关信息。Amitava Banerjee教授说道，我们试图改善对心力衰竭的分类，目的在于更好地理解疾病的可能性过程以及将信息传达给患者。目前，疾病如何发展对于患者而言是很难预测的，有些人的病情很多年都会稳定，而有些人则会很快就恶化。
科学家利用人工智能工具识别出人类5种心力衰竭亚型。
图片来源：The Lancet Digital Health(2023). DOI:10.1016/S2589-7500(23)00065-1
更好地区分不同的心力衰竭类型或许就有望进行更有针对性的治疗，或有望帮助研究者以不同的方式来思考潜在的治疗手段。这项研究中，研究人员利用多种机器学习方法和多种数据库识别出了五种强大的心力衰竭亚型。下一步研究人员就想分析是否识别心力衰竭的方式会给患者带来实际的差别，即是否其能改善对风险的预测和临床医生所提供的信息的质量，以及是否能改变患者的治疗；研究者还需要知道是否这具有一定的成本效益，而且他们所设计的app还需要在临床试验中进行评估或更进一步的研究，但其却能帮助进行常规护理。
为了避免单一机器学习方法所带来的偏见，研究人员利用四种独立的方法来对心力衰竭病例进行分组，他们将这些方法应用到了来自两大英国初级保健数据库的数据中，这些数据库嗲表了英国的整体人口，且与人群入院和死亡记录相关联。这些数据库包括临床实践研究数据链（CPRD，Clinical Practice Research Datalink）和健康改善网络计划（THIN，The Health Improvement Network），涵盖1998年至2018年。
随后研究人员对数据片段进行了机器学习工具的训练，一旦他们选择了最稳健的亚型，就能利用单一的数据集来验证这些分组。这些亚型是87个（也可能是635个）因素所建立的，包括年龄、症状、是否与其它疾病、患者所摄入的额药物以及测试（比如血压）和评估（比如肾功能）的结果。此外，研究人员还研究了来自英国生物样本库中9573名心力衰竭患者的遗传数据，结果发现心力衰竭的特定亚型与诸如高血压和心房颤动等高血压多基因风险评分（由于基因的整体风险得分）之间或许存在着一定的关联。（生物谷Bioon.com）
原始出处：
Prof Amitava Banerjee,Ashkan Dashtban,Suliang Chen,et al. Identifying subtypes of heart failure from three electronic health record sources with machine learning: an external, prognostic, and genetic validation study, The Lancet Digital Health(2023). DOI:10.1016/S2589-7500(23)00065-1
