《MedComm》:Machine Learning-Based Prediction of Mortality in Patients With Mitral Regurgitation: Results From Two Nationwide, Prospective Studies
编辑推荐:
专业术语翻译的摘要
二尖瓣反流(mitral regurgitation,MR)是最常见的瓣膜性心脏病之一。研究人员开发并外部验证了一种基于机器学习(machine learning,ML)的显著MR患者死亡率预测模型。来自中国瓣膜性心脏病(China-Val
专业术语翻译的摘要
二尖瓣反流(mitral regurgitation,MR)是最常见的瓣膜性心脏病之一。研究人员开发并外部验证了一种基于机器学习(machine learning,ML)的显著MR患者死亡率预测模型。来自中国瓣膜性心脏病(China-Valvular Heart Disease,China-VHD)注册研究的6323例中度及以上MR患者按7:3随机分为训练集和内部验证集。由Cox逐步回归、最小绝对收缩与选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)惩罚Cox回归和Boruta算法一致筛选出的变量被保留。比较了17种ML与传统模型。最终模型在内部验证集和来自中国老年瓣膜病(China Elderly Valve Disease,China-DVD)研究的4658例外部队列中进行了测试。采用沙普利加性解释(SHapley Additive exPlanations,SHAP)分析评估模型可解释性。共识别出15个预测因子。CatBoost表现最佳,内部验证集的曲线下面积(area under the curve,AUC)为0.783(95%置信区间[confidence interval,CI] 0.751–0.815),外部验证集为0.703(0.678–0.728),优于Cox回归(0.699)、MitraScore(0.620)和EuroSCORE II(0.679)。年龄、纽约心脏协会(New York Heart Association,NYHA)心功能分级和左心室射血分数(left ventricular ejection fraction,LVEF)是最重要的预测因子。该模型在内部验证集中有效区分高风险与低风险患者(校正后风险比[hazard ratio,HR] 5.49,p < 0.001),并在外部验证集中得到证实(校正后HR 3.05,p < 0.001)。总之,研究人员开发并外部验证了一个基于ML的、不依赖于病因或治疗策略的MR死亡率预测模型,有望改善风险分层和临床决策。
论文解读文章
一、研究背景
二尖瓣反流(mitral regurgitation,MR)是全球最常见的瓣膜性心脏病之一。对于显著MR患者,准确的预后评估对于指导关键治疗决策至关重要,例如外科手术或经导管介入的最佳时机。然而,现行临床实践主要依赖心力衰竭症状严重程度和一组超声心动图参数,这些指标在捕捉决定MR患者结局的合并症、心脏重构与功能状态之间复杂的非线性相互作用方面存在固有局限性。此外,MR治疗的格局正在演变,关于经导管缘对缘修复术疗效的主要随机对照试验结果存在分歧,这凸显了对更有效工具来识别不同死亡风险水平患者的迫切临床需求。
传统风险预测模型主要依赖Cox或Logistic回归,存在一系列难以克服的缺陷。例如,常规手术风险评分在MR人群中判别能力有限,而MR特异性模型如MIDA-Q仅限于二尖瓣脱垂病因。已有的基于机器学习的评分如EuroSMR风险评分和MITRALITY评分仅聚焦于接受经导管介入的高度选择性手术人群。因此,缺乏一个稳健且具有普适性的模型,这严重阻碍了基于机器学习的预后评估向显著MR患者的临床转化。
二、研究方法与意义
研究人员利用两项全国性前瞻性队列——中国瓣膜性心脏病(China-Valvular Heart Disease,China-VHD)注册研究和中国老年瓣膜病(China Elderly Valve Disease,China-DVD)研究的数据,旨在识别预测MR死亡率的最优机器学习算法,并据此建立和外部验证一个实用的预后工具。该研究发表在《MedComm》上。其重要意义在于提供了一个基于大规模、全国代表性人群的外部验证的机器学习模型,适用于不同病因和治疗策略的显著MR患者,为精准风险分层和个体化治疗决策提供了实用框架。
三、关键技术方法
研究人员采用了以下关键技术方法:从China-VHD注册研究中纳入6323例中度及以上MR患者,按7:3随机分为训练集和内部验证集;从China-DVD研究中纳入4658例患者作为外部验证队列。特征选择阶段联合应用Cox逐步回归、最小绝对收缩与选择算子(LASSO)惩罚Cox回归和Boruta算法,仅保留三种方法一致筛选出的15个预测变量。模型构建阶段比较了包括CatBoost、LightGBM、XGBoost等在内的17种机器学习与传统统计模型,超参数通过5折交叉验证优化。模型性能评估采用受试者工作特征曲线下面积(AUC)、灵敏度、特异度、Brier评分和校准曲线。可解释性分析采用沙普利加性解释(SHAP)框架量化各特征对预测结果的贡献。
四、研究结果
4.1 总体研究队列
China-VHD队列6323例患者平均年龄63.2岁,男性占57.1%;China-DVD队列4658例患者平均年龄70.7岁,男性占52.3%。中位随访时间分别为733天和365天。China-VHD队列中629例死亡(10.0%),China-DVD队列中460例死亡(9.9%)。
4.2 机器学习模型的死亡率预测
CatBoost在内部和外部验证数据集中均展现出最优的判别能力。在内部验证集中,CatBoost的AUC为0.783,灵敏度0.676,特异度0.756;在外部验证集中,AUC为0.703,灵敏度0.698,特异度0.588。其性能超过了传统Cox模型(AUC 0.699),并显著优于MitraScore(AUC 0.620)、CoxScore(AUC 0.564)和EuroSCORE II(AUC 0.679)。CatBoost被选为最终模型。
4.3 风险分层与临床效用
根据CatBoost预测概率将患者分为高、低风险组。Kaplan-Meier分析显示,在内部和外部验证队列中,两组生存率均有显著差异。内部验证集中高风险组死亡风险显著升高(校正后HR 5.49),外部验证集也得到证实(校正后HR 3.05)。临床影响曲线和校准曲线均表明模型具有良好的临床适用性和校准度。该模型已部署至Hugging Face Spaces平台供公开访问。
4.4 模型可解释性
SHAP分析显示,年龄是最具影响力的预测因子(平均|SHAP|=0.343),其次是NYHA心功能分级(0.271)、左心室射血分数(LVEF)(0.177)、瓣膜手术(0.158)、血管紧张素转换酶抑制剂/血管紧张素受体阻滞剂的使用(0.138)和总胆红素(0.138)。较高的预测死亡风险与高龄、较高NYHA分级、LVEF降低、未行瓣膜手术、未使用ACEI/ARB、较高胆红素和肌酐水平、较低白蛋白和血红蛋白以及慢性肾脏病的存在相关。
4.5 亚组与敏感性分析
亚组分析确认模型在原发性与继发性MR、NYHA II-IV级、LVEF≤60%以及接受保守治疗的患者中均表现出一致的性能。包含全部42个候选变量的全变量模型未显示出有意义改进。时间依赖性ROC分析显示CatBoost在不同随访时间点的判别能力稳定。
五、讨论总结与结论翻译
讨论总结: 本研究利用两个大型全国代表性中国中度及以上MR患者队列,开发并外部验证了基于CatBoost算法的死亡率预测模型。该模型优于多种替代算法,并在独立验证队列中展现了泛化能力。SHAP分析揭示了年龄、NYHA分级和LVEF是最重要的死亡预测因子。该模型整合了指南推荐的变量与非传统生物标志物,能够捕捉影响MR患者死亡的多因素复杂交互作用。研究还指出,模型在非中国人群中需进一步验证,且受限于数据库中未包含NT-proBNP和详细瓣膜解剖学参数,未来可纳入新兴生物标志物和先进影像参数以进一步提高准确性。
研究结论翻译: 研究人员开发并外部验证了一个基于CatBoost算法的稳健机器学习模型,该模型能够准确预测显著MR患者的死亡风险。该模型优于多种替代算法,并在独立验证队列中展现了泛化能力。通过利用常规收集的临床数据,它为前瞻性风险分层提供了一种强大且自动化的方法。这一工具的实施有望增强MR患者的预后评估并个性化管理策略,最终旨在改善临床结局。