Niewydolność serca jest heterogennym zespołem odzwierciedlającym wiele przyczyn. Podtypy niewydolności serca zostały przeanalizowane przy użyciu uczenia maszynowego, ale nie w rozległych, odrębnych zbiorach danych opartych na populacji, w całym zakresie przyczyn i objawów, ani z kliniczną i niekliniczną walidacją przy użyciu kilku technik uczenia maszynowego.

W nowym badaniu naukowcy z UCL wykorzystali opublikowane ramy do identyfikacji i walidacji podtypów niewydolności serca na podstawie danych reprezentatywnych dla populacji. Korzystając z narzędzi sztucznej inteligencji, zidentyfikowali pięć podtypów niewydolności serca, które można wykorzystać do przewidywania przyszłych zagrożeń dla poszczególnych pacjentów.

Narzędzia zostały przeszkolone na segmentach danych, a po wybraniu najbardziej niezawodnych podtypów zweryfikowały te grupowania przy użyciu osobnego zestawu danych. Podtypy określono na podstawie 87 (z łącznie 635) zmiennych, takich jak wiek, objawy, obecność dodatkowych chorób, leki przyjmowane przez pacjenta oraz wyniki badań (takich jak pomiary ciśnienia krwi) i oceny (np. jako pomiary funkcji nerek).

Naukowcy przeanalizowali szczegółowe anonimowe dane pacjentów od ponad 300 000 osób w wieku 30 lat lub starszych, u których zdiagnozowano niewydolność serca w Wielkiej Brytanii w ciągu 20 lat. Wykorzystali wiele metod uczenia maszynowego i opracowali pięć podtypów: wczesny początek, późny początek, związane z migotaniem przedsionków (migotanie przedsionków jest stanem powodującym nieregularny rytm serca), metaboliczne (związane z otyłością, ale z niskim odsetkiem chorób układu krążenia), i kardiometaboliczne (związane z otyłością i chorobami układu krążenia).

Naukowcy zauważyli również znaczące różnice między tymi podtypami w ryzyku śmierci pacjentów rok po postawieniu diagnozy. Wczesny początek (20%), późny początek (46%), związany z migotaniem przedsionków (61%), metaboliczny (11%) i kardiometaboliczny (37%) były najwyższe w ciągu jednego roku.

Aby określić, który podtyp ma dana osoba, naukowcy opracowali również aplikację do rutynowego użytku klinicznego, która może umożliwić ocenę skuteczności i opłacalności. Oczekuje się, że ta aplikacja poprawi przyszłe prognozy ryzyka i dostarczy informacji do dyskusji z pacjentami.

Główny autor, profesor Amitava Banerjee (UCL Institute of Health Informatics), powiedział: „Staraliśmy się ulepszyć sposób, w jaki klasyfikujemy niewydolność serca, aby lepiej zrozumieć prawdopodobny przebieg choroby i przekazać ją pacjentom. Obecnie trudno jest przewidzieć przebieg choroby u poszczególnych pacjentów. Niektórzy ludzie będą stabilni przez wiele lat, podczas gdy inni szybko się pogorszą.

„Lepsze rozróżnienie typów niewydolności serca może również prowadzić do bardziej ukierunkowanych terapii i może pomóc nam myśleć w inny sposób o potencjalnych terapiach”.

„Następnym krokiem jest sprawdzenie, czy ten sposób klasyfikowania niewydolności serca może mieć praktyczne znaczenie dla pacjentów – czy poprawia prognozy ryzyka i jakość informacji dostarczanych przez klinicystów oraz czy zmienia sposób leczenia pacjentów. Musimy też wiedzieć, czy byłoby to opłacalne. Zaprojektowana przez nas aplikacja wymaga oceny w badaniu klinicznym lub dalszych badaniach, ale może pomóc w rutynowej opiece”.

Odniesienie do czasopisma:

1. Amitava Banerjee, Ashkan Dashtban, Suliang Chen i in. Identyfikacja podtypów niewydolności serca z trzech źródeł elektronicznych kart zdrowia za pomocą uczenia maszynowego: zewnętrzne, prognostyczne i genetyczne badanie walidacyjne. Cyfrowe zdrowie Lancet (2023). DOI: 10.1016/S2589-7500(23)00065-1