社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

16%到29%的糖尿病患者面临心衰风险!机器学习如何助力早期识别高危心肌病?

挑圈联靠 • 2 月前 • 73 次点击  

大家好,欢迎来看今天的文献解读!有没有想过,糖尿病患者在心脏健康上可能隐藏着怎样的风险?最近,一篇发表在European Journal of Heart Failure的研究文章,利用机器学习方法,首次提出了一种识别高风险糖尿病性心肌病(DbCM)表型的新方式。通过综合分析超声心动图和心脏生物标志物,该研究为我们揭示了糖尿病与心力衰竭之间复杂的关系,并为早期干预提供了科学依据。这无疑是我们努力降低心力衰竭风险的重要一步,尤其是针对那些高风险患者。接下来,让我们一起深入了解这篇研究的亮点和数据来源吧!

研究的亮点在于,作者开发并验证了一种基于机器学习的聚类方法,首次精准识别出了高风险糖尿病性心肌病表型。这项研究使用了来自Atherosclerosis Risk in Communities (ARIC)研究的1199名糖尿病患者的数据,并在Cardiovascular Health Study (CHS)University of Texas Southwestern EHR的外部验证中表现优异。此外,研究发现,具有高风险DbCM表型的患者在5年内心力衰竭的发生率显著高于其他表型,达到12.1%。这为临床实践提供了重要的参考,将有助于更好地识别高风险患者并实施有效的预防策略。

数据来源

本研究的数据来源于多个流行病学队列和电子健康记录,包括Atherosclerosis Risk in Communities (ARIC)Cardiovascular Health Study (CHS)。ARIC和CHS的数据由**National Institute of Health Biologic Specimen and Data Repository Information Coordinating Center (BioLINCC)**提供,所有参与者均签署了知情同意书,且研究得到伦理委员会的批准。

题目:Development and validation of a machine learning-based approach to identify high-risk diabetic cardiomyopathy phenotype
杂志:European Journal of Heart Failure

心力衰竭与DbCM表型的关系

在心血管疾病的研究中,心力衰竭(HF)的发生率与不同表型组(phenogroups)之间的关系引起了广泛关注。图1展示了在Atherosclerosis Risk in Communities (ARIC) 研究中,不同表型组的HF发生率累积情况,结果显示随着表型组风险的增加,HF的发生率也显著上升。从Phenogroup 1的3.1%到Phenogroup 3的12.1%,特别是Phenogroup 3相较于Phenogroup 1,HF的风险几乎增加了三倍(调整后的风险比HR为3.49)。这一结果强调了高风险DbCM表型的重要性,并提示临床干预的必要性。

深度神经网络模型的有效性

在对DbCM表型进行预测时,深度神经网络(DeepNN)模型展现了其卓越的性能。图2通过接收者操作特征(ROC)曲线及曲线下面积(AUC)值,说明了不同生物标志物和超声心动图参数对模型预测效果的影响。无论在何种特征组合下,AUC值均在0.911到0.963之间波动,显示出模型的稳定性和准确性。图中还揭示了左心室质量指数(LVMi)作为最重要预测因子的地位,强调了心脏结构重塑在DbCM表型预测中的关键作用。这为临床上早期识别DbCM患者提供了有力的工具,可能推动个性化治疗方案的实施。

验证队列中的HF发生率

进一步的验证研究也支持了DeepNN模型的实用性。图3展示了在心血管健康研究(CHS)和电子健康记录(EHR)队列中,根据DeepNN模型预测的DbCM表型层次,HF的累积发生率。在CHS队列中,高风险DbCM表型参与者五年内HF的发生率达到20.9%,而低风险组仅为10.7%。EHR队列的结果类似,高风险组HF发生率为18.1%,低风险组为13.0%。这些发现进一步确认了高风险DbCM表型与HF风险之间的显著关联,为临床医生在糖尿病患者中实施针对性的早期干预提供了重要依据,优化心力衰竭的预防策略。

总结

这篇研究文章揭示了糖尿病患者心脏健康的新风险,通过机器学习方法开发了一种识别高风险糖尿病性心肌病(DbCM)表型的创新方式。研究基于1199名糖尿病患者的数据,发现高风险DbCM表型在五年内的心力衰竭发生率显著高达12.1%。这一研究为临床实践提供了重要参考,强调了早期识别高风险患者与实施有效预防策略的必要性。深度神经网络模型的验证结果显示,该模型在不同队列中均表现出优越的预测能力,进一步支持了高风险DbCM表型与心力衰竭风险之间的强关联。总之,这项研究为改善糖尿病患者的心脏健康提供了新的思路和方向。


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/176850
 
73 次点击