CARNA：基于学习的多值决策图刻画晚期心力衰竭风险与血流动力学表型
机器学习
2023-06-13 v1
摘要
早期识别高风险心力衰竭（HF）患者是及时分配挽救生命疗法的关键。血流动力学评估可促进风险分层并增进对 HF 进展轨迹的理解。然而，HF 的风险评估是一个复杂、多面的决策过程，可能具有挑战性。先前的 HF 风险模型未整合有创血流动力学或支持缺失数据，且使用的统计方法易有偏倚，或使用的机器学习方法不可解释。为应对这些局限，本文提出 CARNA，一种用于晚期 HF 的血流动力学风险分层与表型框架，其利用了机器学习多值决策图（MVDD）的可解释性与表达力。该可解释框架学习预测患者结局概率的风险评分，并输出刻画每个预测风险评分的描述性患者表型（特征及其阈值的集合）。CARNA 整合有创血流动力学且可对缺失数据做出预测。CARNA 模型使用既往试验收集的共五个晚期 HF 患者队列进行训练与验证，并与六种既有 HF 风险评分和三种传统 ML 风险模型比较。CARNA 提供鲁棒的风险分层，优于所有先前基准。尽管聚焦于晚期 HF，CARNA 框架为通用目的，可用于学习其他疾病的的风险分层及医学应用。
引用
@article{arxiv.2306.06801,
title = {CARNA: Characterizing Advanced heart failure Risk and hemodyNAmic phenotypes using learned multi-valued decision diagrams},
author = {Josephine Lamp and Yuxin Wu and Steven Lamp and Prince Afriyie and Kenneth Bilchick and Lu Feng and Sula Mazimba},
journal= {arXiv preprint arXiv:2306.06801},
year = {2023}
}