機械学習アプローチで心不全転帰リスクを予測

2024 年 4 月 22 日 – 最近の報告書によると、バージニア大学 (UVA) の研究者らは、駆出率低下を伴う進行性心不全 (HFrEF) 患者の有害転帰リスクを評価および予測するように設計された機械学習ツールを開発しました。 勉強 に掲載されました アメリカン・ハート・ジャーナル。

研究チームは、HFrEFのリスクモデルは存在するが、データの欠落や侵襲的な血行動態データの組み込みといった課題に対処できるモデルはほとんどなく、心不全患者に個別化されたリスク評価を提供する能力が制限されていることを示唆した。

「心不全は進行性の状態であり、生活の質だけでなく量にも影響を及ぼします」とUVA医学准教授でありUVA Health社の心臓専門医でもあるスラ・マジンバ医学博士は次のように説明した。 ニュースリリース。 「すべての心不全患者は同じではありません。各患者は、有害な転帰に苦しむリスクの連続性に沿ったスペクトルに属しています。各患者のリスクの程度を特定することは、臨床医が転帰を改善するために治療を調整するのに役立つことを約束します。」

衰弱、疲労、四肢の腫れ、死亡などの結果は心不全患者にとって特に懸念事項であり、リスクモデルはこれらの事象のリスクを層別化するように設計されています。

このツールは、国立衛生研究所 (NIH) 国立心肺血液研究所 (NHLBI) の資金提供による心不全臨床試験に登録された数千人の患者から抽出された匿名化されたデータを使用して構築されました。

トレーニングおよび検証コホートの患者は、左心室補助装置（LVAD）の植え込みまたは移植、追跡調査から6か月以内の再入院、および該当する場合は死亡に基づいて5つのリスクグループに分類された。

欠損データが存在する場合でもモデルを堅牢にするために、研究者らは、侵襲性血行動態のみ、または非侵襲性血行動態データを組み込んだ特徴セットを使用して、患者のリスク カテゴリを予測するようにモデルをトレーニングしました。

各カテゴリの予測精度は、曲線下面積 (AUC) を使用して個別に決定されました。

全体として、このモデルは 5 つのカテゴリーすべてで高いパフォーマンスを達成しました。 AUC の範囲は、侵襲的血行動態機能セットの場合は 0.896 +/- 0.074 ～ 0.969 +/- 0.081、すべての機能を組み込んだセットの場合は 0.858 +/- 0.067 ～ 0.997 +/- 0.070 でした。

研究チームは、血行動態データを含めることでモデルのパフォーマンスが大幅に向上したことを強調しました。

「このモデルは、複雑なデータセットを取り込み、欠落している要素や矛盾する要素の間でも意思決定を行うことができるため、画期的なモデルです」と、UVA 工学部コンピューターサイエンス学科の博士研究員であるジョセフィン・ランプ氏は述べています。 「このモデルはリスク要因をインテリジェントに提示して要約し、意思決定の負担を軽減し、臨床医が治療法を迅速に決定できるようになるため、非常に興味深いものです。」

研究者らは、個別化された心不全治療を促進することを期待して、研究者や臨床医がそのツールをオンラインで無料で利用できるようにしました。

個別化された精密医療を追求するために、他の機関も機械学習に注目しています。

先週、クレムソン大学の研究チームは、 共有 研究者が遺伝子制御ネットワーク (GRN) の相互作用が個々の薬物反応にどのように影響するかをより深く理解するために、深層学習ツールがどのように役立つか。

GRN は、遺伝子、タンパク質、その他の要素間の相互作用をマッピングします。 これらの洞察は、遺伝子変異が薬物反応などの患者の表現型にどのような影響を与えるかを調査するために非常に重要です。 しかし、病気に関連する遺伝的変異の多くは、タンパク質を直接コードしていない DNA 領域に存在しており、個人の健康におけるこれらの変異の役割を研究している者にとっては課題となっています。

深層学習ベースの Lifelong Neural Network for Gene Regulator (LINGER) ツールは、単細胞マルチオーム データを使用して GRN の仕組みを予測することで、この問題に対処するのに役立ちます。これにより、病気の原因と薬の有効性を明らかにすることができます。