论文评审 - 使用机器学习预测肥厚型心肌病患者不良心脏事件的发展

概述

本文旨在利用机器学习方法提高预测肥厚型心肌病（HCM）患者不良心脏事件的能力。研究发现，机器学习模型在预测不良心脏事件方面表现出优于传统风险分层的能力。作者建议，这些现代机器学习方法可能增强高风险HCM亚群体的识别。

论文引用

Stephanie M. Kochav, Yoshihiko Raita, Michael A. Fifer, Hiroo Takayama, Jonathan Ginns, Mathew S. Maurer, Muredach P. Reilly, Kohei Hasegawa, Yuichi J. Shimada, 使用机器学习预测肥厚型心肌病患者不良心脏事件的发展, 国际心脏病学杂志, 第327卷, 2021年, 页码117-124, ISSN 0167-5273, https://doi.org/10.1016/j.ijcard.2020.11.003.

常见问题解答

用简单的语言解释本文摘要

本文讨论了使用机器学习来预测肥厚型心肌病（HCM）患者的不良心脏事件。研究发现，机器学习模型比传统方法更擅长预测这些事件。作者建议，这些新方法可以帮助识别高风险的HCM患者。

用两句话解释本文摘要

本文旨在利用机器学习方法提高预测肥厚型心肌病（HCM）患者不良心脏事件的能力。研究发现，机器学习模型在预测不良心脏事件方面表现出优于传统风险分层的能力。

用五岁小孩能懂的话解释本摘要

这篇论文讲的是用电脑帮助医生预测一个有心脏问题叫肥厚型心肌病（HCM）的人，可能会生病或死亡。这个电脑比医生更擅长预测这一点。

本文的贡献是什么

本文的贡献包括：

1. 利用机器学习方法改善肥厚型心肌病（HCM）患者的不良心脏事件预测。
2. 证明机器学习模型在预测不良心脏事件方面优于传统方法。
3. 建议这些新方法可以帮助识别高风险的HCM患者。

解释本文的实际意义

本文的实际意义对肥厚型心肌病（HCM）患者及其医疗提供者具有重要意义。论文提出利用机器学习方法改善HCM患者不良心脏事件的预测。开发准确的风险分层方法可以帮助识别可能受益于更密切监测或治疗的高风险患者。这可能导致更好的患者结果和改善生活质量。本文开发的机器学习模型在预测HCM患者不良心脏事件方面优于传统风险分层方法，显示出它们在增强高风险HCM亚群体识别方面的潜力。在临床实践中使用机器学习方法还可以帮助医疗提供者做出更明智的患者护理和资源分配决策。总体而言，本文突出了机器学习方法在改善HCM的风险分层和患者结果方面的潜力。

总结本文的引言

本文引言概述了肥厚型心肌病（HCM），这是一种以心肌肥厚为特征的心脏疾病。HCM是年轻人和运动员心脏骤停的常见原因。论文指出，目前预测HCM患者不良心脏事件的方法准确性不高，需要更好的风险分层方法。作者提出利用机器学习方法改善HCM患者不良心脏事件的预测。论文旨在开发和评估能识别高风险HCM患者并改善患者结果的机器学习模型。作者表示，这些新方法可能增强高风险HCM亚群体的识别并改善患者护理。

本文中使用的方法

在这篇论文中，作者采用了前瞻性队列研究设计来评价机器学习方法在预测肥厚型心肌病（HCM）患者不良心脏事件中的应用。研究包括183名HCM成年患者，随访中位数为2.2年。感兴趣的结果是心力衰竭死亡、心脏移植和猝死的复合结果。

作者使用了逻辑回归模型作为参考模型，包括已知预测HCM中不良心脏事件的因素。他们还使用随机森林分类根据信息和机器学习方法识别出20个预测特征。开发了四种使用不同算法的机器学习模型，包括弹性网回归、SVM、随机森林和梯度提升。

机器学习模型的性能通过灵敏度、特异性和接收者操作特征曲线下面积（AUC-ROC）等指标进行评估。结果表明，这四个机器学习模型在预测HCM患者不良心脏事件方面均优于参考模型。弹性网回归模型的AUC-ROC为0.93，而参考模型为0.79。作者得出结论，机器学习方法有潜力增强风险分层并改善HCM患者的结果。

研究人群

本研究的人群包括183名肥厚型心肌病（HCM）成年患者。研究设计为前瞻性队列研究，随访患者中位数为2.2年，以评价机器学习方法在预测HCM患者不良心脏事件方面的应用。

数据提取与分析

本文的数据提取包括收集参与者的临床和人口特征数据，包括年龄、性别、家族史、病史和超声心动图测量。感兴趣的结果是心力衰竭死亡、心脏移植和猝死的复合结果。

在这篇论文中，分析使用机器学习方法开发预测HCM患者不良心脏事件的模型。作者将逻辑回归模型作为参考模型，并开发了四种使用不同算法的机器学习模型，包括弹性网回归、SVM、随机森林和梯度提升。模型的性能通过灵敏度、特异性和接收者操作特征曲线下面积（AUC-ROC）等指标进行评估。

基线临床特征见表1。

本文结果

本文结果表明，所有四个机器学习模型在预测HCM患者不良心脏事件方面均优于参考模型。弹性网回归模型的AUC-ROC最高为0.93，而参考模型为0.79。弹性网回归模型的灵敏度和特异性分别为88%和84%。事件结果中大部分（85%）为心脏移植。作者得出结论，机器学习方法有改善风险分层和提升HCM患者结果的潜力。

预测性能分析见表3。

本文结论

本文得出结论，机器学习方法有潜力改善风险分层并预测肥厚型心肌病（HCM）患者的不良心脏事件。研究发现机器学习模型在预测不良心脏事件方面优于传统的逻辑回归模型。弹性网回归模型的预测准确度最高，AUC-ROC为0.93，灵敏度为88%，特异性为84%。作者建议，这些现代机器学习方法可能增强高风险HCM亚群体的识别并改善患者结果。

混淆矩阵见表4。

本文的局限性

本文存在多个局限性，包括：

1. 研究的样本量相对较小，可能限制研究结果对更大人群的普遍适用性。

2. 该研究在单个中心进行，可能限制结果对其他环境的普遍适用性。

3. 感兴趣的结果是心力衰竭死亡、心脏移植和猝死的复合结果，这可能无法捕捉对HCM患者相关的所有不良心脏事件。

4. 研究未包括遗传测试，这是HCM诊断和管理中的一个重要因素。

5. 研究未包括植入式心律转复除颤器（ICD）的使用数据，ICD通常用于HCM的管理。

6. 研究未包括药物使用数据，如β-阻滞剂和钙通道阻滞剂，这些通常用于HCM的管理。

7. 研究未包括合并症的存在数据，如高血压和糖尿病，这可能影响HCM患者不良心脏事件的风险。

总体而言，虽然该研究为机器学习方法改善HCM风险分层提供了有价值的见解，但需进一步研究以在更大、更具多样性的人群中验证这些发现并解决研究局限性。

本文建议的未来研究方向

本文建议几条未来研究方向，包括：

1. 在更大、更具多样性的人群中验证机器学习模型，以评估其普遍适用性。

2. 将遗传测试数据纳入机器学习模型，以改善风险分层。

3. 在机器学习模型中纳入药物和植入式心律转复除颤器（ICD）的使用数据，以改善风险分层。

4. 开发能够预测特定不良心脏事件（如猝死或心力衰竭）的机器学习模型，而不是复合结果。

5. 探索将机器学习模型与其他风险分层工具结合使用，如心脏磁共振成像（MRI）和运动负荷试验。

6. 调查机器学习模型在指导治疗决策方面的潜力，如使用ICD或手术干预的时机。

总体而言，本文建议，机器学习方法有潜力改善HCM的风险分层和患者结果，并且需要进一步研究以充分实现这一潜力。

高级问题

研究设计如何影响结果及从数据得出的结论？

研究设计在多个方面影响了从数据得出的结果和结论。使用前瞻性队列设计允许收集详细的临床和人口数据，这对于机器学习模型的开发至关重要。然而，样本量小和单中心设计可能限制了发现对其他人群和环境的普遍适用性。此外，复合结果的使用可能无法捕捉到所有相关的不良心脏事件，这可能限制了机器学习模型的临床效用。尽管存在这些局限性，该研究为机器学习方法改善HCM风险分层提供了有价值的见解，并建议了几条未来研究方向。

研究中使用了哪些具体设计元素以确保研究结果的有效性和可信度？

论文未提供确保研究发现的有效性和可信度的具体设计元素的信息。然而，采用前瞻性队列设计和现代机器学习方法的应用通常被认为是严格的数据收集和分析方法。此外，论文报告了模型性能的统计指标，如灵敏度、特异性和接收者操作特征曲线下的面积，这些信息提供了机器学习模型准确性的指标。总体而言，虽然论文未提供详细信息，但所使用的研究方法以及模型性能统计测量的报告表明，该研究结果具有可信性。

本研究的设计与同领域其他类似研究的比较如何？

论文未直接比较其设计与同领域其他类似研究。然而，采用前瞻性队列设计和现代机器学习方法的应用与最近探索利用机器学习进行HCM风险分层的其他研究是一致的。此外，论文聚焦于心力衰竭死亡、心脏移植和猝死的复合结果与其他使用复合结果评估风险分层方法有效性的研究类似。总体而言，尽管本研究未直接比较其设计与其他研究，但所采用的研究方法和对临床相关结果的关注与同领域其他近期研究一致。

研究设计是否存在可能影响结果或结论的局限性？

本文的局限性总结在上述局限性部分。

尽管存在这些局限性，研究提供了机器学习方法改善HCM风险分层的潜在有价值见解，并建议了几条未来研究方向。

将来如何改善研究设计，以进一步推动该领域的理解？

为进一步推动HCM风险分层的理解，未来研究可以考虑以下改善：

• 较大的样本量：更大的样本量将增加研究的效能，并改善在其他人群和环境中发现的普遍适用性。
• 多中心设计：多中心设计将增加研究人群的多样性，并改善研究结果对其他中心或地区的普遍适用性。
• 更长的随访期：更长的随访期将允许捕捉更多HCM患者的相关结果。
• 更全面的结果测量：使用更全面的结果测量，如全因死亡率或重大不良心脏事件，将提供更完整的风险分层方法有效性图片。
• 更全面的数据收集：收集所有相关变量的更全面数据，包括遗传测试数据和药物使用数据等，将提高机器学习模型的准确性，并减少因数据缺失而带来的偏倚风险。

总体而言，这些设计改进可以帮助进一步推动对HCM风险分层的理解，并改善机器学习模型预测不良心脏事件的准确性。

本研究论文中选取变量的标准是什么？这些标准又是如何选择的？

在本研究论文中，选取变量的标准基于随机森林分类和先验知识的组合。随机森林分类方法用于识别HCM患者不良心脏事件的最重要预测因素，而先验知识用于选择在临床上已知相关的额外预测因素。具体而言，作者根据信息识别了20个基于这些标准的预测特征，然后用于构建机器学习模型。总体而言，随机森林分类与先验知识相结合使得可以选择一组综合的预测变量，这些变量在统计上显著并且在临床上具有相关性。

最重要的预测变量见图3。

能更详细地解释变量选择过程吗？这一过程对研究结果有什么影响？

在这项研究中，作者使用了随机森林分类和先验知识的结合来选择最佳的预测肥厚型心肌病（HCM）患者不良心脏事件的变量。随机森林分类是一种机器学习方法，通过构建大量决策树并聚合其结果来识别最重要的预测因素。先验知识是已有的关于疾病及其风险因素的知识，可用于指导变量选择。

作者根据这些标准识别了20个预测特征，这些特征进而用于发展机器学习模型。与使用已知预测因素的逻辑回归模型进行了比较，结果表明机器学习模型在预测HCM患者不良心脏事件方面显著优于参考模型。

总体而言，这项研究中的变量选择过程识别出综合的统计显著且在临床上相关的预测变量，从而提高了机器学习模型的准确性，并有可能增强高风险HCM亚群体的识别。

是否使用任何统计方法来帮助变量选择？如果使用的是哪些方法，原因是什么？

作者使用随机森林分类来识别肥厚型心肌病（HCM）患者不良心脏事件的最重要预测因素。随机森林分类是一种机器学习方法，可以通过构建大量决策树而识别结果的最重要预测因素。由于该方法能够处理复杂的高维数据并识别预测因素与结果之间的非线性关系，因此被选用。除了随机森林分类之外，作者还利用先验知识选择那些在HCM中已知具有临床相关性的额外预测因素。总体而言，这些方法的结合使得可选择到既在统计上显著又在临床上相关的综合预测变量，用于预测HCM患者的不良心脏事件。

在变量选择过程中是否遇到任何限制或挑战？如有，研究者是如何解决的？

论文未提及在变量选择过程中特定的限制或挑战。然而，作者确实使用了随机森林分类与先验知识相结合的方法来选择最能预测肥厚型心肌病（HCM）患者不良心脏事件的变量。这种方法允许选取一组全面的统计显著且在临床上相关的预测变量，以预测HCM患者的不良心脏事件。

机器学习模型在预测肥厚型心肌病患者不良心脏事件方面与传统风险分层方法的表现如何？

机器学习模型在预测不良心脏事件方面表现优于参考模型，表明其更高的预测准确性。参考模型的预测准确性为73%，而机器学习模型的预测准确性为85%。机器学习模型的灵敏度和特异性均高于参考模型。

这些发现对临床实践有重要意义，表明机器学习方法可能在识别高风险肥厚型心肌病患者的亚群体中发挥作用。这可以帮助临床医生依据患者的不良事件风险预测来定制治疗方案和干预措施。然而，仍需要进一步研究以验证这些发现，并确定机器学习方法在临床实践中的最佳使用方式。

模型的决策曲线分析见图2。

可以解释一下敏感性和特异性在预测准确性参考模型及机器学习模型中的区别吗？

以下是敏感性和特异性在预测准确性参考模型与机器学习模型中的区别。

• 敏感性是模型正确识别的真实阳性病例的比例。在本文中，敏感性指的是实际上经历不良心脏事件的患者被模型正确识别为高风险的比例。
• 特异性是模型正确识别的真实阴性病例的比例。在本文中，特异性指的是未经历不良心脏事件的患者被模型正确识别为低风险的比例。

机器学习模型的敏感性和特异性均高于参考模型，表明它们在正确识别高风险与低风险患者方面更为有效。这表明机器学习模型在预测肥厚型心肌病患者不良心脏事件方面可能比传统风险分层方法更具效果。

机器学习模型的敏感性分析见图1。

肥厚型心肌病的成年患者队列的中位随访时间为多长？在此期间发展结果事件的患者比例是多少？

肥厚型心肌病成年患者队列的中位随访期为2.2年，四分位范围为0.6至3.8年。在此期间，有33名患者（18%）发展了结果事件，这些结果事件为心力衰竭死亡、心脏移植和猝死的复合事件。大多数结果事件（85%）为心脏移植。

本研究结果对识别高风险肥厚型心肌病患者亚群体的意义是什么？这些现代机器学习方法将如何在临床实践中应用？

本研究结果表明，现代机器学习方法可能增强高风险肥厚型心肌病（HCM）患者亚群体的识别。在本研究中开发的机器学习模型表现出优于传统风险分层方法的能力，能够更好地预测不良心脏事件。

在临床实践中，这些机器学习方法可以用于识别HCM患者中高风险者。这可以帮助临床医生根据患者预测的不良事件风险来定制治疗计划和干预措施。然而，仍需进一步研究以验证这些发现，并确定机器学习方法在临床实践中的最佳使用。

本研究的数据抽样是如何进行的？用于选择肥厚型心肌病（HCM）患者的标准是什么？

本研究数据抽样采取了前瞻性队列设计。肥厚型心肌病（HCM）患者从2010年至2018年在日本的单个中心招募。纳入队列的标准如下：

• 年满18岁的成年人
• 基于超声心动图或心脏磁共振成像诊断为HCM
• 在入组时拥有临床和实验室数据

有心脏移植或心室隔肌切除术历史的患者被排除在队列之外。最终，共有183名HCM患者参与了研究。

主要结果事件建模见表2。

这些现代机器学习方法可以应用于其他心血管疾病，以增强风险分层吗？

是的，这些现代机器学习方法可以潜在地应用于其他心血管疾病，以增强风险分层。然而，仍需进一步研究以确定这些方法对其他疾病的普遍适用性并优化其在临床实践中的使用。

使用机器学习方法识别高风险HCM亚群体的潜在临床意义是什么？

使用机器学习方法识别高风险HCM亚群体的潜在临床意义在于，临床医生可以根据预测的不良事件风险，定制治疗计划和干预措施。这可以帮助改善患者结果，减少医疗成本，通过预防不良事件和优化资源分配实现更好的效果。然而，仍需进一步研究以验证这些发现，并确定机器学习方法在临床实践中的最佳应用。

• 原文链接： github.com/thogiti/thogi...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～