✦
深度学习辣汤小组文献阅读学习之一百五十一篇
✦
人工神经网络算法预测心肌梗死后一年内死亡率和因心力衰竭入院率的开发和验证：一项全国性人群研究
DeepLearning 深度学习辣汤小组
2024/1/4
2022年瑞典隆德大学临床科学部心脏病学系的Moman A Mohammad等人通过建立和评估人工神经网络（ANN）算法在预测心肌梗死后1年内的死亡率和因心力衰竭再入院率的准确性，并在期刊Lancet Digit Health（IF=30.8，1区）上发表题为“Development and validation of an artificial neural network algorithm to predict mortality and admission to hospital for heart failure after myocardial infarction: a nationwide population-based study.”的文章。
DOI：
https://doi.org/10.1016/S2589-7500(22)00002-4
一、研究背景
患者心肌梗死后第一年内的死亡率约为15-20%，且四分之一的心肌梗死存活患者将发展为心力衰竭，严重降低生活质量且增加死亡风险。因此，早期识别不良结局高风险的患者可以通过住院个体化治疗延长生命，并将医疗保健资源分配给有需要的患者来改善其长期预后。
由于计算机硬件的改进和高维数据的可用性，人工智能的使用呈指数级增长。迄今为止，人工智能算法已在多个医学领域显示出潜力，包括放射学，眼科学，皮肤病学和精神病学等。如，在心脏病学中，利用机器学习法结合临床与冠状动脉CT血管造影的成像变量预测稳定型冠状动脉疾病患者5年内死亡率比单独使用临床指标更准确。
因此，本研究的目的是建立和评估人工神经网络（ANN）算法在预测心肌梗死后1年内的死亡率和因心力衰竭再入院率的准确性。
二、数据集
瑞典根据推荐疗法评估的心脏病循证护理增强和发展网络系统（SWEDEHEART）是一个全国性的、基于网络的、综合的疾病注册登记系统，收集了瑞典因心肌梗死住院的所有患者的数据，是进行真实世界、基于人群的医疗保健评估的最佳工具。西丹麦心脏登记处（WDHR）涵盖了丹麦西部所有接受血管造影术的突发心肌梗死患者，覆盖了近60%的丹麦总人口，并前瞻性地收集了丹麦西部98%心肌梗死患者的数据。
在这项以全国性人群为基础的研究中，本研究根据SWEDEHEART登记处数据纳入了2008年1月1日至2017年4月1日期间在瑞典因心肌梗死入院并从冠心病监护室活着出院的所有患者（n=139 288），使用梅森旋转算法（Mersenne twister）（名解1）伪随机数发生器建立训练数据集111558例（80%）和测试数据集27730例（20%），将2008年1月1日至2016年12月31日期间入组WDHR的心肌梗死患者用作外部验证队列（n=30 971）。
三、方法
为了创建一种可以在SWEDEHEART登记处之外验证的算法并遵守Tripod声明（名解2），本研究将模型限制为可在所有其他注册中心找到的预测变量。使用21个变量（包括年龄，性别，病史，既往用药，住院特征和出院药物等，表1）开发了一个ANN模型，这些变量与训练数据集中的反向传播算法相关，并在测试数据集中进行了测试，然后在外部验证队列中进行验证。使用受试者工作特征曲线下的面积(AUROC)评估模型的预测能力，并为两种结局指标（1年内死亡率和因心力衰竭入院率）建立Youden指数（名解3），作为经验性识别最佳分类阈值的方法，从而进一步评估模型的性能，包括敏感性、特异性、阳性预测值和阴性预测值。使用阳性和阴性似然比作为估计模型预测值的方法，将预测风险的每个十分位数的观察事件率与预测事件率的校准图作为评估模型的次要方法。
除了预测两个预先设定的结局外，我们还进行了一项预先设定的分析，旨在明确机器学习算法在预测正确与预测错误的患者亚组之间的差异。
四、结果和结论
在测试和训练队列中，32308例（23.2%）患者发生了阳性事件，即心肌梗死后1年全因死亡或因心力衰竭住院。
对于1年内全因死亡率，ANN模型的AUROC在训练数据集中为0.85（95% CI 0.84-0.85），在测试数据集中为0.85（0.85-0.86），在外部验证队列中为0.84（0.83-0.84）（图1）。1年内因心力衰竭入院的AUROC在测试数据集中为0.82（0.81-0.82），在外部验证数据集中为0.78（0.77-0.79）。根据最大Youden‘s指数阈值，训练数据集、测试数据集、外部验证队列中的患者被正确分类为1年全因死亡率分别为77.0%、76.9%和73.6%，对应的敏感度为77.5-80.2%，特异度为73.2%-76.9%，阴性预测值为97.0%-97.4%，阳性预测值为21.826.7%(图1，表2)。
对于因心力衰竭入院的预测，ANN模型在训练数据集中的AUROC为0.82(0.82-0.83)，在测试数据集中为0.82(0.81-0.82)，在外部验证数据集中为0.78(0.77-0.79)。在训练数据集中，测试数据集中和外部验证队列中因心力衰竭入院的患者分别为72.2%、72.1%和61.5%，ANN模型对心力衰竭入院患者进行了正确分类，在验证队列中的阴性预测值为98.7%，阳性预测值为8.3%(表2)。
ANN对两种结局指标的预测值均高于GRACE风险评分，GRACE风险评分在测试数据集中的全因死亡率AUROC为0.77（0.76 - 0.78），在验证数据集中为0.78（0.77 - 0.80），正确预测率为67.8 - 69.3%。对于因心力衰竭入院率，GRACE风险评分在测试数据集中的AUROC为0.71（0.70 - 0.72），在验证数据集中的AUROC为0.67（0.65 - 0.69），正确预测率为55.5%-65.0%。对具有完整左心室功能病例数据的个体进行的探索性分析并未改善这些预测。校准图显示，该模型在测试数据集中校准良好，但在外部验证数据集中校准较差，低估了全因死亡率，高估了最高年龄组因心力衰竭入院的情况（图2）。
根据经验最佳阈值结果，ANN算法在外部验证队列中正确分类了73.6%的全因死亡患者和61.5%的因心力衰竭入院患者，排除了外部验证队列中97.1 - 98.7%的不良结局。
测试数据集中被错误分类的患者年龄较大，更常见于女性，并且与正确分类的患者相比，他们更频繁地出现NSTEMI（名解4），且有更多的合并症（如糖尿病，心肌梗死病史和较高的肌酐值），在错误分类组中进行血管造影的患者比率明显较低，左心室射血分数未知的比例明显更大，用药不当的比例更高（表3）。
综上所述，ANN除了预测心肌梗死的死亡率，准确预测心肌梗死后的心力衰竭可能有助于识别更有可能从强化治疗中获益或未来可能需要植入式心脏复律器的个体。同时，ANN模型的高负值预测价值使其成为心肌梗死后精确化护理的最佳工具。由接受过冠状动脉护理培训的护士进行随访，教育患者有关二级预防、药物治疗、锻炼和生活方式的改变，对于低风险患者来说可能是一个适当的策略，可以将卫生保健资源转移到最需要的人身上。
但本研究也存在诸多局限性：在外部验证队列(WDHR)中因心力衰竭入院的患者尚未在丹麦国家患者登记处进行具体验证，应谨慎解释结果；预测心力衰竭入院的模型可能通过增加心力衰竭生物标记物N末端B型利钠肽前体而得到改善，但这种标记物在SWEDEHEART中不被常规测量；模型中包括一些受临床判断影响的变量，如冠状动脉造影术的结果解读，并不完全客观，但这些变量包含重要的预后信息，排除这些变量可能会降低模型的预测价值；最后，关于种族或民族的数据没有收集在SWEDEHEART中，未被纳入在算法中，这可能会影响预测的准确性。总之，在这项全国性的以人群为基础的研究中，在邻国进行了外部验证，ANN能够准确地识别心肌梗死后第一年内存活且未因心力衰竭入院的个体。
名词解释
1.梅森旋转算法（Mersenne Twister，MT）：为了解决过去伪随机数发生器产生的伪随机数质量不高而提出的新算法，在伪随机数的评价体系中，它具备周期长、均匀性好、速度快（基本都是位运算）等优点。在条件允可的情形下，若有使用随机数的需求，应首先考虑梅森旋转算法。
2.TRIPOD声明：2015年BMJ杂志发表了题为《Transparent reporting of a multivariable prediction model forindividual prognosis or diagnosis (TRIPOD): the TRIPOD statement》的论文，指出对于疾病诊断和预后的预测模型，应该有统一的报告规范，即TRIPOD声明。
3.Youden指数：是一种常用于在ROC曲线上选择最佳分类阈值的方法。最大化约登指数对应于选择最佳的分类阈值，这个阈值可以在二分类问题中用于将预测概率转化为预测标签。
4.NSTEMI：non-ST-elevation myocardial infarction，非ST段抬高型心肌梗死。
表1：简化ANN算法模型中包含的基线人口统计学因素和变量
图1：ANN模型的性能
表2：评价ANN预测心肌梗死后第一年内死亡率和因心力衰竭住院率的预测准确性
图2：预测1年全因死亡率和因心力衰竭入院率的校准图
表3：在测试数据集中正确预测与错误预测不发生阳性事件的患者特征
Pepper soup transformed by: Zhang Bo
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
