要点
问题做机器学习(ML)的模型,把健康问题社会决定因素(SDOH)改善患者住院死亡率的预测心力衰竭(HF) ?
发现在这个队列研究,毫升模型开发与Guidelines-Heart Get失败(GWTG-HF)注册使用比赛规格和race-agnostic方法与改善相关住院死亡率的预测心力衰竭住院后与现有的和重新推导出逻辑回归模型。添加SDOH与改善性能和黑人患者的预后毫升模型的效用而不是黑色的病人。
意义研究结果表明毫升模型合并SDOH可以提高风险预测心力衰竭的住院治疗后住院死亡率,尤其是在黑色的成年人。
重要性传统的模型预测心力衰竭(HF)患者住院死亡率使用逻辑回归和不考虑健康问题社会决定因素(SDOH)。
客观的开发和验证的新机器学习(ML)模型结合SDOH心衰死亡率。
设计,设定和参与者本回顾性研究使用的数据获取与Guidelines-Heart失败(GWTG-HF)注册中心之间的识别高频住院1月1日2010年,和2020年12月31日。这项研究包括急性失代偿心力衰竭住院患者在GWTG-HF参与中心在研究期间。数据分析了2021年1月6日,2022年4月26日。外部验证进行住院治疗的人群在社区(ARIC)研究动脉粥样硬化的风险在2005年和2014年之间。
主要结果和措施随机与森林有关的ML方法被用来开发比赛规格和race-agnostic模型预测住院死亡率。性能评估使用C指数(歧视),回归斜率为观察和预测死亡率(校准),并决定对预后效用曲线。
结果训练数据集包括123 634名住院患者高频GWTG-HF注册登记(意思是(SD)时代,71年[13];58 356[47.2%]女性个体;65 278(52.8%)雄性个体。患者分析两类:黑色(23 453[19.0%])和非(2121亚洲(2.1%);白色91 154(91.0%)、6906(6.9%)其他种族和民族)。毫升模型展示了性能优良的内部测试子集(n = 82 420) 0.82 (0.81 C统计,黑人患者和非患者)和协变量missingness real-world-like队列只有不到50% (n = 553 506;0.75 0.74 C统计,黑人患者和非患者)。在外部验证队列(ARIC注册;n = 1205黑色病人和2264个非病人),毫升模型展示了高歧视和适当的校准(C统计,分别为0.79和0.80)。此外,ML模型的性能优于传统的GWTG-HF风险评分模型(0.69 C指数,对种族组)和其他重新推导出使用种族作为协变量逻辑回归模型。 The performance of the ML models was identical using the race-specific and race-agnostic approaches in the GWTG-HF and external validation cohorts. In the GWTG-HF cohort, the addition of zip code–level SDOH parameters to the ML model with clinical covariates only was associated with better discrimination, prognostic utility (assessed using decision curves), and model reclassification metrics in Black patients (net reclassification improvement, 0.22 [95% CI, 0.14-0.30];P<措施),而不是在非患者。
结论和意义毫升心衰死亡率模型演示了性能优越的传统,重新推导出使用种族作为协变量逻辑回归模型。SDOH参数的增加提高了黑人患者的预后预测模型的效用而不是非病人在GWTG-HF注册表中。