基于相似性的心力衰竭患者射血分数预测
机器学习
2022-03-15 v1 定量方法
应用统计
摘要
生物医学研究正越来越多地利用真实世界证据（RWE）来促进新临床表型的发现，并更好地刻画药物治疗的长期效应。然而，由于收集过程固有的局限性，RWE 常常缺乏患者的关键特征，尤其是当这些特征无法利用 ICD-10 等数据标准直接编码时。在此我们提出一种新颖的数据驱动统计机器学习方法，称为局部似然特征插补（FILL），旨在通过利用患者间的特征相似性推断缺失特征。我们以一个尤其具有挑战性的问题测试了该方法：区分射血分数降低与保留的心力衰竭患者（分别为 HFrEF 和 HFpEF）。该任务的复杂性源于三个方面：两者具有许多共同的临床特征与治疗手段，仅部分相关诊断可能被记录，且射血分数信息在 RWE 数据集中常常缺失。尽管存在这些困难，我们的方法在包含 11,950 和 10,051 名心力衰竭患者的两个 RWE 数据集的多种情景下，对 HFpEF 心力衰竭患者的推断精度高于 80%。相较于逻辑回归和随机森林等仅能达到精度 < 73% 的经典方法，这是一个提升。最后，该方法使我们能够分析哪些特征通常与 HFpEF 患者相关。例如，我们发现心房颤动的具体诊断编码以及长期使用抗凝药物的个人史常常是识别 HFpEF 患者的关键。
引用
@article{arxiv.2203.07124,
title = {Similarity-based prediction of Ejection Fraction in Heart Failure Patients},
author = {Jamie Wallis and Andres Azqueta-Gavaldon and Thanusha Ananthakumar and Robert Dürichen and Luca Albergante},
journal= {arXiv preprint arXiv:2203.07124},
year = {2022}
}