機(jī)器學(xué)習(xí)在心力衰竭病人預(yù)后評(píng)估中的應(yīng)用研究進(jìn)展

吉史伍呷 方進(jìn)博

基金項(xiàng)目 成都市科技局技術(shù)研發(fā)項(xiàng)目，編號(hào)：2022?YF05?01516?SN

摘要? 總結(jié)了機(jī)器學(xué)習(xí)算法分類，以及機(jī)器學(xué)習(xí)在心力衰竭病人生存（死亡）、心力衰竭再入院、心臟事件預(yù)測(cè)中的應(yīng)用現(xiàn)狀，篩選出最能準(zhǔn)確評(píng)估心力衰竭病人預(yù)后的機(jī)器學(xué)習(xí)算法，為臨床早期評(píng)估心力衰竭病人的預(yù)后提供新的依據(jù)。

關(guān)鍵詞? 心力衰竭；機(jī)器學(xué)習(xí)；預(yù)后；風(fēng)險(xiǎn)因素；綜述

doi：10.12102/j.issn.1009-6493.2023.07.013

心力衰竭具有高患病率、高住院率、高死亡率的特點(diǎn)，據(jù)統(tǒng)計(jì)，全球心力衰竭病人超過3 770萬例[1]，我國(guó)心力衰竭病人約有890萬例[2]，并且50%的病人將會(huì)在5年內(nèi)死亡[3]，已經(jīng)是嚴(yán)重的社會(huì)公共問題之一。評(píng)估心力衰竭病人的預(yù)后、早期發(fā)現(xiàn)病人的潛在風(fēng)險(xiǎn)因素、早期給予干預(yù)是目前臨床醫(yī)療和護(hù)理研究的重點(diǎn)和熱點(diǎn)。心力衰竭的預(yù)后評(píng)估內(nèi)容主要包括確診后生存預(yù)測(cè)、再入院風(fēng)險(xiǎn)、死亡風(fēng)險(xiǎn)、心臟不良事件的發(fā)生發(fā)展預(yù)測(cè)等。既往評(píng)估心力衰竭病人預(yù)后的方法有B型鈉尿肽（BNP）預(yù)測(cè)、邏輯回歸、受試者工作特征曲線下面積（AUC）、C?Index、心力衰竭風(fēng)險(xiǎn)評(píng)分（MAGGIC?HF）、心力衰竭院內(nèi)死亡風(fēng)險(xiǎn)評(píng)分（GWTG）等。機(jī)器學(xué)習(xí)作為一種高效的學(xué)習(xí)算法，在評(píng)估或預(yù)測(cè)心力衰竭病人的預(yù)后中被廣泛使用，并且多項(xiàng)研究已表明，在心力衰竭的預(yù)后評(píng)估中機(jī)器學(xué)習(xí)算法比傳統(tǒng)的方法準(zhǔn)確度和靈敏度更高，值得推廣應(yīng)用[4?6]。因此，本研究就機(jī)器學(xué)習(xí)算法在心力衰竭病人預(yù)后中的應(yīng)用進(jìn)行綜述，試圖篩選出最能準(zhǔn)確評(píng)估心力衰竭病人預(yù)后的機(jī)器學(xué)習(xí)算法，為臨床早期評(píng)估心力衰竭病人的預(yù)后、確定個(gè)性化治療方案和護(hù)理方式提供新的依據(jù)。

1? 機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)是一門研究計(jì)算機(jī)如何從數(shù)據(jù)中學(xué)習(xí)的學(xué)科，是統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的交叉學(xué)科，統(tǒng)計(jì)學(xué)試圖從數(shù)據(jù)中學(xué)習(xí)關(guān)系，而計(jì)算機(jī)科學(xué)則強(qiáng)調(diào)高效的計(jì)算算法[7]。相對(duì)于傳統(tǒng)的統(tǒng)計(jì)學(xué)分析方法，機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)分布無線性要求，能夠自動(dòng)發(fā)現(xiàn)并利用相關(guān)因素之間的交互效應(yīng)及非線性關(guān)系[8]。機(jī)器學(xué)習(xí)算法主要分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)主要側(cè)重于分類和回歸，常用來評(píng)估預(yù)測(cè)疾病的風(fēng)險(xiǎn)及預(yù)后，算法主要包括K?近鄰算法（K?nearest neighbor，KNN）、線性回歸（linear regression）、邏輯回歸（Logistics regression，LR）、決策樹（decision tree，DT）、支持向量機(jī)（support vector machines，SVM）、梯度提升機(jī)（gradient boosting machine，GBM）、隨機(jī)森林（random forests，RF）和神經(jīng)網(wǎng)絡(luò)（neural network）等；而無監(jiān)督學(xué)習(xí)側(cè)重于挖掘數(shù)據(jù)之間的關(guān)系，重在聚類和降維，可協(xié)助監(jiān)督學(xué)習(xí)建立疾病預(yù)測(cè)風(fēng)險(xiǎn)模型，典型算法包括K均值聚類（K?means clustering）、主成分分析、分層聚類算法、最大期望算法（expectation maximization algorithm）等。在心力衰竭的預(yù)后評(píng)估方面，大多使用監(jiān)督學(xué)習(xí)的算法，常用的算法包括邏輯回歸、決策樹、支持向量機(jī)、隨機(jī)森林、梯度提升機(jī)、人工神經(jīng)網(wǎng)絡(luò)、K?近鄰算法等。

1.1 決策樹 決策樹以最大限度分離數(shù)據(jù)集的原則對(duì)數(shù)據(jù)進(jìn)行反復(fù)分割，形成樹形結(jié)構(gòu)。決策樹內(nèi)部的樹枝樣的連接代表對(duì)象屬性和對(duì)象值之間的關(guān)系，主要缺點(diǎn)是其構(gòu)造過程，在每一步中選擇單個(gè)最佳變量和最佳分割點(diǎn)的組合，但考慮變量組合的多步前瞻可能會(huì)獲得不同或者更好的結(jié)果；另一個(gè)缺點(diǎn)在于連續(xù)變量被分裂過程隱式離散化，沿途丟失信息，容易過擬合[9]。與其他算法相比，決策樹不是“黑匣子”模型，可以很容易地被表達(dá)為規(guī)則[9]，優(yōu)勢(shì)大于其缺點(diǎn)，因此在醫(yī)學(xué)領(lǐng)域被廣泛應(yīng)用，亦有研究將其運(yùn)用在心力衰竭的預(yù)后評(píng)估中[5，10]。

1.2 支持向量機(jī) 支持向量機(jī)是非概率監(jiān)督學(xué)習(xí)程序，它創(chuàng)建一個(gè)多維超平面，將協(xié)變量空間劃分為兩組，以便進(jìn)行分類[11]。其優(yōu)點(diǎn)是可用于線性或非線性分類，也可以用于回歸；低泛化誤差；結(jié)果容易解釋；計(jì)算復(fù)雜度較低。缺點(diǎn)是對(duì)參數(shù)和核函數(shù)的選擇比較敏感，原始的支持向量機(jī)比較擅長(zhǎng)處理二分類問題。支持向量機(jī)廣泛用于模式識(shí)別和疾病預(yù)測(cè)模型的建立，且可直接使用結(jié)構(gòu)化數(shù)據(jù)[12]。多項(xiàng)研究應(yīng)用支持向量機(jī)算法預(yù)測(cè)了心力衰竭病人的預(yù)后[3，6]。

1.3 隨機(jī)森林 隨機(jī)森林是基于決策樹的分類模型算法，旨在減小決策樹過擬合現(xiàn)象。它將Bootstrap重抽樣方法和決策樹算法相結(jié)合，對(duì)每個(gè)Bootsrap樣本進(jìn)行決策樹建模，然后組合多棵決策樹的預(yù)測(cè)，通過投票得出最終預(yù)測(cè)結(jié)果[13?14]。其優(yōu)點(diǎn)是有很好的預(yù)測(cè)準(zhǔn)確率以及對(duì)異常值和噪聲具有很好的包容性，并且能同時(shí)處理連續(xù)型變量和分類變量[14]，被認(rèn)為是較好的分類算法之一[7]。在醫(yī)學(xué)領(lǐng)域常常用來挖掘大數(shù)據(jù)和預(yù)測(cè)疾病風(fēng)險(xiǎn)。多項(xiàng)研究將隨機(jī)森林與其他算法結(jié)合建立了心力衰竭病人預(yù)后風(fēng)險(xiǎn)預(yù)測(cè)模型[4，15]。

1.4 梯度提升機(jī) 梯度提升機(jī)是一種基于多種決策樹模型的典型的機(jī)器學(xué)習(xí)算法，它依賴于直覺，即當(dāng)以階段順序與之前的弱模型（如決策樹）相結(jié)合時(shí)，能夠最小化性能評(píng)估器的總體預(yù)測(cè)誤差，例如精度以及AUC[16]。梯度提升機(jī)的優(yōu)點(diǎn)主要為低泛化誤差，容易實(shí)現(xiàn)，分類準(zhǔn)確率較高，沒有太多參數(shù)可以調(diào)。與隨機(jī)森林相比，梯度提升機(jī)更加關(guān)注在已訓(xùn)練的決策樹上預(yù)測(cè)結(jié)果不好的數(shù)據(jù)點(diǎn)，不斷提升模型的短板，其效果通常會(huì)比隨機(jī)森林更好[8]。在心血管領(lǐng)域，梯度提升機(jī)通常與其他算法結(jié)合運(yùn)用，并且多項(xiàng)研究結(jié)果表明，梯度提升機(jī)的預(yù)測(cè)準(zhǔn)確度比其他機(jī)器學(xué)習(xí)算法高[17?20]。

1.5 K?近鄰算法 K?近鄰算法具有較強(qiáng)的一致性結(jié)果。隨著數(shù)據(jù)趨于無限，算法可保證錯(cuò)誤率不會(huì)超過貝葉斯算法錯(cuò)誤率的兩倍。其優(yōu)點(diǎn)為思想簡(jiǎn)單，理論成熟，既可以用來做分類也可以用來做回歸；可用于非線性分類；準(zhǔn)確度高，對(duì)數(shù)據(jù)沒有假設(shè)。缺點(diǎn)為計(jì)算量大；樣本不平衡問題，即有些類別的樣本數(shù)量很多，而其他樣本的數(shù)量很少；需要大量的內(nèi)存。K?近鄰算法相對(duì)于其他算法的優(yōu)勢(shì)在于近鄰可以對(duì)分類結(jié)果提供解釋，這種基于案例的解釋可以在黑盒模型不充分的領(lǐng)域提供優(yōu)勢(shì)[9]，在心血管領(lǐng)域被廣泛應(yīng)用[21]。

1.6 邏輯回歸 邏輯回歸是目前常用來建立心力衰竭病人預(yù)后風(fēng)險(xiǎn)預(yù)測(cè)模型的算法，是最常用的標(biāo)準(zhǔn)傳統(tǒng)方法。邏輯回歸是用來分類的，是一種線性分類器。其優(yōu)勢(shì)在于實(shí)現(xiàn)簡(jiǎn)單；分類時(shí)計(jì)算量非常小，速度很快，存儲(chǔ)資源低。缺點(diǎn)為容易欠擬合，一般準(zhǔn)確度不太高；只能處理兩分類問題，且必須線性可分。由于計(jì)算速度快，邏輯回歸通常結(jié)合其他算法應(yīng)用于疾病預(yù)測(cè)研究中[22?24]，在心血管領(lǐng)域中的運(yùn)用已較成熟。

1.7 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)通過模擬生物神經(jīng)網(wǎng)絡(luò) （大腦）的結(jié)構(gòu)和功能，由大量的節(jié)點(diǎn)和之間相互連接構(gòu)成，通常用于解決分類和回歸問題，也可以用來對(duì)數(shù)據(jù)之間的復(fù)雜關(guān)系進(jìn)行建模。其優(yōu)點(diǎn)為非線性分類、自我學(xué)習(xí)能力強(qiáng)。缺點(diǎn)是“黑匣子”模型，即訓(xùn)練有素的人工神經(jīng)網(wǎng)絡(luò)是不容易被破譯的，容易出現(xiàn)過擬合；計(jì)算量大，耗時(shí)耗力。盡管如此，人工神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的分類功能，在心血管研究領(lǐng)域很受歡迎，常用于建立疾病風(fēng)險(xiǎn)預(yù)測(cè)模型[23，25]。

2? 機(jī)器學(xué)習(xí)在心力衰竭預(yù)后評(píng)估中的應(yīng)用

與傳統(tǒng)工具相比，機(jī)器學(xué)習(xí)算法在預(yù)測(cè)心力衰竭病人的死亡率、住院以及再次入院等方面具有更好的準(zhǔn)確性，因此，運(yùn)用機(jī)器學(xué)習(xí)算法對(duì)心力衰竭病人進(jìn)行預(yù)后評(píng)估，能夠早期發(fā)現(xiàn)病人風(fēng)險(xiǎn)因素，早期給予干預(yù)，從而達(dá)到降低病人不良預(yù)后發(fā)生率及提升生活質(zhì)量的目的，也可為心力衰竭出院后延續(xù)性護(hù)理提供干預(yù)依據(jù)。在心力衰竭的預(yù)后評(píng)估中，常用的機(jī)器學(xué)習(xí)算法主要為監(jiān)督學(xué)習(xí)，并且由于各個(gè)算法各有優(yōu)缺點(diǎn)，相互補(bǔ)充，因此多結(jié)合運(yùn)用于病人的預(yù)后評(píng)估中。近年來機(jī)器學(xué)習(xí)算法在心力衰竭預(yù)后評(píng)估中的應(yīng)用研究見表1。

2.1 機(jī)器學(xué)習(xí)在心力衰竭病人生存（死亡）預(yù)測(cè)中的應(yīng)用 機(jī)器學(xué)習(xí)算法在心力衰竭病人死亡或生存預(yù)測(cè)方面有較強(qiáng)的能力，其建立的死亡風(fēng)險(xiǎn)預(yù)測(cè)模型比傳統(tǒng)方式較為精準(zhǔn)，可以輔助醫(yī)護(hù)人員確定病人的個(gè)性化治療方式和個(gè)性化護(hù)理方式。目前，利用機(jī)器學(xué)習(xí)算法建立的病人死亡風(fēng)險(xiǎn)預(yù)測(cè)模型是較為準(zhǔn)確的風(fēng)險(xiǎn)預(yù)測(cè)模型。Kim等[31]利用Lasso分組算法建立了東亞地區(qū)心力衰竭死亡風(fēng)險(xiǎn)預(yù)測(cè)模型，結(jié)果顯示，對(duì)3 683例心力衰竭病人隨訪3年后，死亡率為32.8%，并且證明了利用機(jī)器學(xué)習(xí)風(fēng)險(xiǎn)評(píng)分預(yù)測(cè)1年死亡率的AUC高于MAGGIC?HF評(píng)分（P<0.01），即前者預(yù)測(cè)準(zhǔn)確度更高。K?nig等[17]利用4種機(jī)器學(xué)習(xí)算法，包括邏輯回歸、隨機(jī)森林、梯度提升機(jī)、單層神經(jīng)網(wǎng)絡(luò)，分別建立了心力衰竭住院病人的死亡預(yù)測(cè)模型，且通過計(jì)算AUC評(píng)價(jià)模型的性能，結(jié)果顯示，病人住院期間死亡率為6.2%，病人死亡風(fēng)險(xiǎn)因素主要有高齡（≥65歲）、肥胖、住院天數(shù)≥5 d、入住ICU、心功能分級(jí)≥Ⅲ級(jí)、合并慢性腎病、瓣膜病、高血壓、甲狀腺功能減退癥及伴有水電解質(zhì)紊亂、心律失常和體重降低；邏輯回歸的AUC為0.829，隨機(jī)森林的AUC為0.875，梯度提升機(jī)的AUC為0.882，單層神經(jīng)網(wǎng)絡(luò)的AUC為0.866，表明運(yùn)用梯度提升機(jī)算法建立的死亡預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確度最好。此外，K?nig等[18]另一篇關(guān)于利用機(jī)器學(xué)習(xí)預(yù)測(cè)新型冠狀病毒感染疫情期間心力衰竭病人住院期間死亡的研究結(jié)果顯示，機(jī)器學(xué)習(xí)算法建立的模型能夠準(zhǔn)確預(yù)測(cè)病人的死亡，并且疫情期間心力衰竭病人的死亡率沒有上升。Tohyama等[32]研究也利用機(jī)器學(xué)習(xí)建立了預(yù)測(cè)精度較高的急性心力衰竭病人死亡風(fēng)險(xiǎn)預(yù)測(cè)模型，結(jié)果顯示，急性心力衰竭病人1年后死亡率為17%，并且確定了急性心力衰竭病人死亡相關(guān)預(yù)測(cè)因子，如體質(zhì)指數(shù)（BMI）、合并腎臟疾病等。以上多項(xiàng)研究表明，機(jī)器學(xué)習(xí)算法建立的心力衰竭死亡風(fēng)險(xiǎn)預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確度比傳統(tǒng)的方式更高，在今后的臨床護(hù)理研究中，研究者可借助機(jī)器學(xué)習(xí)運(yùn)用于心力衰竭的其他領(lǐng)域，以促進(jìn)心力衰竭病人的精準(zhǔn)護(hù)理，改善病人的長(zhǎng)期預(yù)后。

2.2 機(jī)器學(xué)習(xí)在心力衰竭病人再入院預(yù)測(cè)中的應(yīng)用 在提倡延續(xù)性護(hù)理、支持疾病全周期照護(hù)、改善慢性疾病長(zhǎng)期預(yù)后和生活質(zhì)量的號(hào)召下，早期識(shí)別出院后心力衰竭病人再入院的風(fēng)險(xiǎn)，早期給予干預(yù)，對(duì)改善心力衰竭病人長(zhǎng)期預(yù)后和生活質(zhì)量意義重大。多項(xiàng)研究運(yùn)用多種機(jī)器學(xué)習(xí)算法挖掘出病人再入院的風(fēng)險(xiǎn)因素，并且建立了預(yù)測(cè)準(zhǔn)確度更高的風(fēng)險(xiǎn)預(yù)測(cè)模型。Golas等[24]研究利用邏輯回歸、梯度提升機(jī)等多種機(jī)器學(xué)習(xí)算法建立了心力衰竭病人出院30 d后再入院的風(fēng)險(xiǎn)預(yù)測(cè)模型，研究結(jié)果表明，模型預(yù)測(cè)準(zhǔn)確度為76.4%，30 d再入院率為23.3%，再入院強(qiáng)相關(guān)因素主要為受教育程度、就業(yè)狀況、合并癥數(shù)量，高中以下學(xué)歷、失業(yè)狀態(tài)、殘疾率高、伴有≥3種合并癥的病人是再入院的高風(fēng)險(xiǎn)因素。此外，Pishgar等[33]研究也運(yùn)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了ICU心力衰竭病人30 d非計(jì)劃再入院率，建立的預(yù)測(cè)模型準(zhǔn)確度為0.841，敏感度為0.805，比其他方式建立的模型準(zhǔn)確度和靈敏度均高。因此，在心力衰竭隨訪時(shí)，護(hù)理人員可利用機(jī)器學(xué)習(xí)算法建立的病人再入院風(fēng)險(xiǎn)預(yù)測(cè)模型評(píng)估病人的高危因素，重點(diǎn)評(píng)估病人的再入院高危因素并進(jìn)行干預(yù)，從而降低病人的再入院率。

2.3 機(jī)器學(xué)習(xí)在心力衰竭病人心臟事件預(yù)測(cè)中的應(yīng)用 心臟事件是指在超聲心動(dòng)圖檢查之日起3年內(nèi)猝死、心力衰竭死亡或因心力衰竭惡化住院治療。心力衰竭病人一旦發(fā)生心臟事件將嚴(yán)重影響病人的長(zhǎng)期預(yù)后，嚴(yán)重者可導(dǎo)致死亡。因此，對(duì)心力衰竭病人心臟事件風(fēng)險(xiǎn)進(jìn)行有效預(yù)測(cè)并采取有效的治療措施進(jìn)行早期干預(yù)具有重要的臨床價(jià)值，而運(yùn)用機(jī)器學(xué)習(xí)建立的預(yù)測(cè)模型能夠準(zhǔn)確預(yù)測(cè)病人心臟事件風(fēng)險(xiǎn)，如Harada等[34]研究結(jié)合機(jī)器學(xué)習(xí)建立了心力衰竭病人3年發(fā)生心臟事件風(fēng)險(xiǎn)預(yù)測(cè)模型，結(jié)果表明，機(jī)器學(xué)習(xí)建立的預(yù)測(cè)模型準(zhǔn)確度及靈敏度均比用BNP預(yù)測(cè)病人心臟事件高，并且發(fā)現(xiàn)心臟事件風(fēng)險(xiǎn)因素主要包括年齡、心功能分級(jí)、BNP、射血分?jǐn)?shù)等13個(gè)因素。雖然BNP常用于評(píng)估心力衰竭病人的預(yù)后，但機(jī)器學(xué)習(xí)建立的預(yù)測(cè)模型更為準(zhǔn)確且靈敏，因此臨床護(hù)理中評(píng)估心力衰竭病人的心臟事件時(shí)，除了關(guān)注病人的BNP值，更需要綜合評(píng)估病人，早期發(fā)現(xiàn)病人發(fā)生心臟事件的風(fēng)險(xiǎn)因素并進(jìn)行早期干預(yù)。

3? 小結(jié)

研究者在評(píng)估和預(yù)測(cè)心力衰竭病人預(yù)后研究中多運(yùn)用監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)算法，并且常結(jié)合多種算法共同建立心力衰竭預(yù)后風(fēng)險(xiǎn)預(yù)測(cè)模型，其中梯度提升機(jī)建立的預(yù)測(cè)準(zhǔn)確度比其他常用的算法較好，可能是因?yàn)樘荻忍嵘龣C(jī)更加關(guān)注在已訓(xùn)練的決策樹上預(yù)測(cè)結(jié)果不好的數(shù)據(jù)點(diǎn)，不斷提升模型的短板。然而，也有研究表明多層感知機(jī)預(yù)測(cè)心力衰竭病人出院后30 d再入院或死亡風(fēng)險(xiǎn)比其他機(jī)器學(xué)習(xí)算法好[22]，但該研究中未應(yīng)用梯度提升機(jī)；此外，有研究表明在心力衰竭病人住院風(fēng)險(xiǎn)的預(yù)測(cè)中廣義線性模型網(wǎng)絡(luò)（GLMN）的預(yù)測(cè)準(zhǔn)確度比其他的機(jī)器學(xué)習(xí)算法高[6]。因此，研究者在將機(jī)器學(xué)習(xí)算法運(yùn)用于心力衰竭病人的預(yù)后評(píng)估時(shí)，可根據(jù)研究?jī)?nèi)容選擇最適合的算法，但何種機(jī)器學(xué)習(xí)算法在評(píng)估預(yù)測(cè)心力衰竭病人預(yù)后中預(yù)測(cè)準(zhǔn)確度和靈敏度更高，目前研究未得到統(tǒng)一結(jié)論，需要進(jìn)一步研究證明。

參考文獻(xiàn)：

[1]? ZIAEIAN B，F(xiàn)ONAROW G C.Epidemiology and aetiology of heart failure[J].Nature Reviews Cardiology，2016，13（6）：368-378.

[2]? 中國(guó)心血管健康與疾病報(bào)告編寫組.中國(guó)心血管健康與疾病報(bào)告2020概要[J].中國(guó)循環(huán)雜志，2021，36（6）：521-545.

[3]? GUO A X，PASQUE M，LOH F，et al.Heart failure diagnosis，readmission，and mortality prediction using machine learning and artificial intelligence models[J].Current Epidemiology Reports，2020，7（4）：212-219.

[4]? BAZOUKIS G，STAVRAKIS S，ZHOU J D，et al.Machine learning versus conventional clinical methods in Guiding management of heart failure patients--a systematic review[J].Heart Failure Reviews，2021，26（1）：23-34.

[5]? SHIN S，AUSTIN P C，ROSS H J，et al.Machine learning vs.conventional statistical models for predicting heart failure readmission and mortality[J].ESC Heart Failure，2021，8（1）：106-115.

[6]? LORENZONI G，SABATO S S，LANERA C，et al.Comparison of machine learning techniques for prediction of hospitalization in heart failure patients[J].Journal of Clinical Medicine，2019，8（9）：1298.

[7]? DEO R C.Machine learning in medicine[J].Circulation，2015，132（20）：1920-1930.

[8]? 韋仁杰，楊明鈺，崔斌，等.機(jī)器學(xué)習(xí)算法在肺癌研究中的應(yīng)用進(jìn)展[J].中華檢驗(yàn)醫(yī)學(xué)雜志，2021，43（5）：430-436.

[9]? DREISEITL S，OHNO-MACHADO L.Logistic regression and artificial neural network classification models：a methodology review[J].Journal of Biomedical Informatics，2002，35（5/6）：352-359.

[10]? CHICCO D，JURMAN G.Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone[J].BMC Medical Informatics and Decision Making，2020，20（1）：16.

[11]? REYNOLDS E，CALLAGHAN B，BANERJEE M.SVM-CART for disease classification[J].Journal of Applied Statistics，2019，46（16）：2987-3007.

[12]? LIN H J，WANG X L，TIAN M Y，et al.Machine learning and its epidemiological applications[J].Chinese Journal of Epidemiology，2021，42（9）：1689-1694.

[13]? 曹正鳳.隨機(jī)森林算法優(yōu)化研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2014.

[14]? 方匡南，吳見彬，朱建平，等.隨機(jī)森林方法研究綜述[J].統(tǒng)計(jì)與信息論壇，2011，26（3）：32-38.

[15]? PARIS S，INCIARDI R M，SPECCHIA C，et al.Machine learning for prediction of in-hospital mortality in COVID-19 patients：results from an Italian multicentre study[J].European Heart Journal，2021，23（Suppl）：suab135.035.

[16]? JU C S，ZHOU J D，LEE S R，et al.Derivation of an electronic frailty index for predicting short-term mortality in heart failure：a machine learning approach[J].ESC Heart Failure，2021，8（4）：2837-2845.

[17]? K?NIG S，PELLISSIER V，HOHENSTEIN S，et al.Machine ?learning algorithms for claims data-based prediction of in-hospital mortality in patients with heart failure[J].ESC Heart Failure，2021，8（4）：3026-3036.

[18]? K?NIG S，PELLISSIER V，LEINER J，et al.Expected and observed in-hospital mortality in heart failure patients before and during the COVID-19 pandemic：introduction of the machine learning-based standardized mortality ratio at Helios hospitals[J].Clinical Cardiology，2022，45（1）：75-82.

[19]? AGIBETOV A，SEIRER B，DACHS T M，et al.Machine learning enables prediction of cardiac amyloidosis by routine laboratory parameters：a proof-of-concept study[J].Journal of Clinical Medicine，2020，9（5）：1334.

[20]? BAASHAR Y，ALKAWSI G，ALHUSSIAN H，et al.Effectiveness of artificial intelligence models for cardiovascular disease prediction：network Meta-analysis[J].Computational Intelligence and Neuroscience，2022，2022：5849995.

[21]? CHEN S L，BANERJEE A.Machine learning：a long way from implementation in cardiovascular disease[J].Heart，2020，106（5）：318-320.

[22]? AWAN S E，BENNAMOUN M，SOHEL F，et al.Machine learning-based prediction of heart failure readmission or death：implications of choosing the right model and the right metrics[J].ESC Heart Failure，2019，6（2）：428-435.

[23]? CHERUKUPALLI R，ACHANTA A，CHERUKUPALLI A，et al.Machine learning based diagnosis of heart failure with preserved ejection fraction among South Asian patients[J].European Heart Journal，2022，43（Suppl 1）：ehab849.061.

[24]? GOLAS S B，SHIBAHARA T，AGBOOLA S，et al.A machine learning model to predict the risk of 30-day readmissions in patients with heart failure：a retrospective analysis of electronic medical records data[J].BMC Medical Informatics and Decision Making，2018，18（1）：44.

[25]? CHEN R，STEWART W F，SUN J M，et al.Recurrent neural networks for early detection of heart failure from longitudinal electronic health record data：implications for temporal modeling with respect to time before diagnosis，data density，data quantity，and data type[J].Circulation Cardiovascular Quality and Outcomes，2019，12（10）：e005114.

[26]? AGASTHI P，BURAS M R，SMITH S D，et al.Machine learning helps predict long-term mortality and graft failure in patients undergoing heart transplant[J].General Thoracic and Cardiovascular Surgery，2020，68（12）：1369-1376.

[27]? AWAN S E，BENNAMOUN M，SOHEL F，et al.Feature selection and transformation by machine learning reduce variable numbers and improve prediction for heart failure readmission or death[J].PLoS One，2019，14（6）：e0218760.

[28]? KAMPAKTSIS P N，MOUSTAKIDIS S，TZANI A，et al.State-of-the-art machine learning improves predictive accuracy of 1-year survival after heart transplantation[J].ESC Heart Failure，2021，8（4）：3433-3436.

[29]? LI F H，XIN H，ZHANG J D，et al.Prediction model of in-hospital mortality in intensive care unit patients with heart failure：machine learning-based，retrospective analysis of the MIMIC-Ⅲ database[J].BMJ Open，2021，11（7）：e044779.

[30]? LUO C D，ZHU Y，ZHU Z，et al.A machine learning-based risk stratification tool for in-hospital mortality of intensive care unit patients with heart failure[J].Journal of Translational Medicine，2022，20（1）：136.

[31]? KIM W，PARK J J，LEE H Y，et al.Predicting survival in heart failure：a risk score based on machine-learning and change point algorithm[J].Clinical Research in Cardiology，2021，110（8）：1321-1333.

[32]? TOHYAMA T，IDE T，IKEDA M，et al.Machine learning-based model for predicting 1 year mortality of hospitalized patients with heart failure[J].ESC Heart Failure，2021，8（5）：4077-4085.

[33]? PISHGAR M，THEIS J，DEL RIOS M，et al.Prediction of unplanned 30-day readmission for ICU patients with heart failure[J].BMC Medical Informatics and Decision Making，2022，22（1）：117.

[34]? HARADA D，ASANOI H，NOTO T，et al.Naive Bayes prediction of the development of cardiac events in heart failure with preserved ejection fraction in an outpatient clinic--beyond B-type natriuretic peptide[J].Circulation Journal，2021，86（1）：37-46.

（收稿日期：2022-05-26；修回日期：2023-03-18）

（本文編輯 蘇琳）