研究人员使用机器学习来改善心血管风险评估

　　

风险计算器用于评估数百万患者的疾病风险，因此其准确性至关重要。但是，当国家模式适应当地人口时，它们往往会恶化，失去准确性和可解释性。布里格姆妇女医院(Brigham and Women 's Hospital)是麻省总医院布里格姆医疗保健系统的创始成员之一，该医院的研究人员使用先进的机器学习来提高国家心血管风险计算器的准确性，同时保留其可解释性和原始风险关联。他们的结果显示，在布莱根总医院的电子健康记录队列中，总体上准确率更高，并将大约十分之一的患者重新分类为不同的风险类别，以促进更精确的治疗决策。研究结果发表在《美国医学会心脏病学》杂志上。

布莱根妇女医院内科住院医师、第一作者Aniket Zinzuwadia医学博士说:“风险计算器非常重要，因为它们是提供者和患者之间关于风险预防的对话的组成部分。”“但有时，当将这些全球计算器应用于当地人群时，一个地区的性质存在固有的可变性——无论是不同的人口特征，不同的医生实践模式，还是不同的风险因素——所以我们希望找到一种方法，在已经完成的基础上，以安全的方式为当地人群量身定制基础心血管疾病风险模型。”

美国心脏协会于2023年发布了针对30-79岁成年人的心血管疾病事件预测风险(prevention)计算器。这个新的和改进的工具有助于预测一个人在10年和30年内患心脏病、中风或心力衰竭的可能性。尽管prevention公式在评估国家层面的风险方面做得很好，但研究人员想要测试他们的技术是否可以更好地为更多的地方人口校准风险评估。

在这项研究中，研究人员使用了95,326名2007年55岁或以上的麻省总医院布里格姆患者的电子健康记录数据，这些患者在1997-2006年期间至少进行过一次血脂或血压测量，并在2007-2016年期间至少与医院系统进行过一次接触。该团队使用开源机器学习库XGBoost重新校准了PREVENT的方程，同时仍然保留了已知风险因素与原始模型中观察到的结果之间的关联。结果显示更高的准确性和重新分类的十分之一的病人在这一人群。

Zinzuwadia说:“从理论上讲，这可能代表了一组患者，例如，在该模型的最初应用中，他们可能没有接受他汀类药物治疗，但他们可能从中受益。”

虽然在这项技术应用于患者护理之前还需要更多的步骤，但研究小组希望看到它在其他医疗保健系统的当地人群中表现如何，并最终让临床医生和研究人员使用该工具来定制全球风险模型。

“将人工智能应用于医学研究的一个主要挑战是确保机器学习模型不仅灵活，而且透明、可靠，并以领域知识为基础，”布里格姆妇女医院预防医学系的副生物统计学家奥尔加·德姆勒博士说。“我们的方法表明，有可能避免人工智能应用程序的‘黑箱’性质，并可能提供一条前进的道路，在这条道路上，复杂的算法可以在保证性能的同时保持灵活性。”