Predictive Models for Chronic Heart Failure

要約

慢性心不全（HF）の管理は、現代のヘルスケアに大きな課題を提示し、継続的な監視、悪化の早期検出、および個別化された治療戦略を必要とします。
この論文では、HFリスクの患者を特定するために、機械学習（ML）技術に基づいた予測モデルを提示します。
このモデルは、アンサンブル学習アプローチ、修正されたスタッキング手法であり、臨床的および心エコーの特徴を活用する2つの特殊なモデルを使用し、次にこれら2つのモデルの予測を組み合わせてメタモデルです。
当初、実際のデータセットでモデルを評価し、得られた結果は、HRリスクの患者の層別化においてうまく機能することを示唆しています。
具体的には、高感度（95 \％）を得て、ほぼすべての高リスク患者が特定されるようにしました。
精度については、84 \％を取得しました。これは、一部のMLコンテキストで中程度と見なすことができます。
ただし、HFのリスクにさらされている患者を特定することは、この論文の著者の何人かが機能しているPredihealth Research Projectのテレ監視プログラムに参加するよう求められるため、私たちの優先事項を考えると、それは許容されます。
また、最初の調査結果は、MLベースのリスク層別化モデルが、Predihealthプロジェクトだけでなく、早期介入とパーソナライズされた患者管理を支援する医療専門家にとっても貴重な意思決定サポートツールとして役立つことを示唆しています。
予測モデルの価値と潜在性をよりよく理解するために、3つのベースラインモデルを使用して得られた結果とその結果を対比しました。
予備的な結果は、予測モデルが特徴を完全に考慮したこれらのベースラインを上回ることを示しており、それらを臨床および心エコーの特徴にグループ化しないことを示しています。

要約(オリジナル)

The management of chronic Heart Failure (HF) presents significant challenges in modern healthcare, requiring continuous monitoring, early detection of exacerbations, and personalized treatment strategies. In this paper, we present a predictive model founded on Machine Learning (ML) techniques to identify patients at HF risk. This model is an ensemble learning approach, a modified stacking technique, that uses two specialized models leveraging clinical and echocardiographic features and then a meta-model to combine the predictions of these two models. We initially assess the model on a real dataset and the obtained results suggest that it performs well in the stratification of patients at HR risk. Specifically, we obtained high sensitivity (95\%), ensuring that nearly all high-risk patients are identified. As for accuracy, we obtained 84\%, which can be considered moderate in some ML contexts. However, it is acceptable given our priority of identifying patients at risk of HF because they will be asked to participate in the telemonitoring program of the PrediHealth research project on which some of the authors of this paper are working. The initial findings also suggest that ML-based risk stratification models can serve as valuable decision-support tools not only in the PrediHealth project but also for healthcare professionals, aiding in early intervention and personalized patient management. To have a better understanding of the value and of potentiality of our predictive model, we also contrasted its results with those obtained by using three baseline models. The preliminary results indicate that our predictive model outperforms these baselines that flatly consider features, \ie not grouping them in clinical and echocardiographic features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google