基于慢性心力衰竭患者的住院再入预测

慢性心力衰竭（HF）患者的住院再入率已成为临床和经济上的主要负担。利用纵向生物标志物的动态预测模型可能比传统的静态模型在风险分层方面更有效。本研究旨在开发和验证一个联合模型，使用纵向N-type前驱肽（NT-proBNP）测量值来预测HF患者再住院或死亡的风险。我们分析了来自TriNetX数据库的真实世界数据，纳入2016年至2022年间确诊HF的患者。最终选取的队列中包括1,804名患者。我们开发了一个贝叶斯联合建模框架，将患者特异的NT-proBNP轨迹与复合终点（HF再住院或所有因素死亡）在出院后180天窗口期内的风险相联系。该模型的性能通过5折交叉验证进行评估，并使用整合Brier得分和整合校准指数进行评估。联合模型相对于基准静态模型展现出强大的预测优势，特别是在在后期时间点（180-360天）进行更新预测时优势更为明显。在NT-proBNP测量频率更高的患者群体上训练的联合模型达到最高的准确率。主模型表现出卓越的校准效果，表明其风险估计值可靠。我们的发现表明，使用联合建模框架对NT-proBNP的完整轨迹进行建模，可比静态、单时间点方法实现更准确和动态的风险评估。该方法支持开发用于个性化HF管理的自适应临床决策支持工具。