Generalizing Major Adverse Cardiovascular Events (MACE) Prediction Across Study Designs Using Ensemble Transfer Learning in 4.2 million US Veterans
通过利用集成迁移学习框架，整合来自包含420万名美国退伍军人数据集的回顾性病例对照研究与前瞻性筛查队列的互补见解，本研究成功开发了一个用于预测主要不良心血管事件的稳健且校准良好的模型，克服了传统研究设计的泛化局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
心脏病仍然是美国首位的死亡原因，夺走了约四分之一人的生命。几十年来，医生一直依赖既定的风险因素来预测谁可能会遭受重大心脏事件，例如心脏病发作、中风或心血管疾病导致的死亡。这些因素包括年龄、性别、高血压、糖尿病和胆固醇水平。虽然这些指南挽救了生命，但当应用于不同人群或基于不同类型的医学研究数据时，它们往往难以适应。在一个患者群体上训练的模型在用于另一个群体时可能会失效，仅仅是因为数据的收集方式产生了隐藏的偏差。现代医学面临的挑战是构建不仅准确，而且足够强大以适应多样化人口和不断变化的医疗系统的预测工具。
为了解决这个问题，来自洛斯阿拉莫斯国家实验室和多个退伍军人事务部（VA）医疗中心的科研团队转向了一个包含 420 万名美国退伍军人电子病历的海量数据集。他们的目标是创造一种新的预测重大不良心血管事件（MACE）的方法，这种方法可以从不同的研究设计中学习，并将其发现推广到现实世界的患者身上。他们发现，通过结合两种截然不同的观察患者数据的方式——一种侧重于寻找疾病的生物学原因，另一种侧重于对广泛人群进行筛查——他们可以构建出一个比单一方法更强大的预测工具。
研究人员处理的数据集跨越了数百万患者长达七年半的医疗历史。他们需要预测未来谁会发生心脏病发作、中风或心血管相关死亡。为此，他们查看了广泛的信息，包括实验室结果、血压等生命体征、诊断结果、药物以及患者就医的频率。他们将这些信息组织成预测日期之前的各个时间块，为每位患者创建了一个详细的健康时间线。
团队面临一个根本性的问题：不同类型的医学研究捕捉到了健康的侧面。一种被称为回顾性病例对照研究（retrospective case-control study）的研究，非常擅长识别疾病的生物学驱动因素。在这种设计中，研究人员将发生心脏事件的患者与没有发生心脏事件的相似患者进行匹配，仔细控制诸如年龄和就医频率等因素。这种匹配消除了医疗使用模式带来的噪声，使生物信号能够清晰地显现出来。然而，这些匹配后的群体并不总是看起来像诊所里看到的普通人群。
另一种研究是前瞻性筛查队列（prospective screening cohort），它观察的是在常规护理中被看到的广泛人群。这种设计反映了现实世界，包括有些人频繁就医而有些人很少就医的事实。虽然这提供了现实的人口图景，但数据通常是“多噪”的，因为就医频率与患者的患病程度有关，这使得很难将疾病本身与寻求医疗的行为区分开来。
研究人员意识到，仅尝试使用其中一种方法是具有局限性的。相反，他们开发了一个称为集成迁移学习（ensemble transfer learning）的框架。他们首先在回顾性病例对照数据上训练了几个不同的机器学习模型，以学习心脏病的纯粹生物学驱动因素。然后，他们利用前瞻性筛查数据对这些模型进行了“微调”。这个过程使模型能够调整以适应现实世界的医疗利用模式，同时保留它们学到的核心生物学见解。这类似于一位音乐家在安静的工作室里练习一段乐曲以掌握音符，然后在嘈杂的音乐厅进行表演，在不丢失音乐本身的情况下调整音量和节奏以适应环境。
结果非常显著。当研究人员在 2017 年的退伍军人前瞻性队列上测试他们的新型组合模型时，这些模型实现了极高的准确度，在区分哪些人会发生心脏事件以及哪些人不会方面，表现优于以往的标准方法。这些模型在识别高风险患者方面表现尤为出色，而早期的工具往往会错过这一群体。此外，这些模型在不同的人口统计学群体中保持了准确性，包括男性和女性，以及不同种族和民族的人群。
该研究的一个关键发现是，在精心匹配的回顾性组别中识别出的心脏病生物学驱动因素，与在更广泛的前瞻性组别中发现的驱动因素是一致的。这表明疾病的核心机制是稳定的，可以从一种类型的研究中学习并成功应用于另一种类型。研究还强调，能够捕捉变量间复杂相互作用的非线性模型，其表现优于传统的线性模型。这些先进的模型能够理解，诸如高血压和胸痛病史等因素的组合，所产生的风险大于各单个因素之和。
研究人员还检查了模型如何处理缺失数据。在电子病历中，某些检测结果缺失是很常见的。研究发现，检测结果的缺失往往具有信息量；例如，如果一名患者很长时间没有进行血压检查，这可能表明其对医疗系统的参与度较低，而这本身就是一个风险因素。新模型能够利用这些缺失模式来改进其预测，而旧模型通常将缺失数据视为简单的错误并予以忽略。
这项工作证明，构建既有生物学基础又具有实际用途的临床预测工具是可能的。通过承认不同的研究设计提供了不同的优势，研究人员创建了一个既利用了匹配研究的精确性，又利用了广泛筛查的现实性的系统。由此产生的模型不仅更准确，而且更具适应性。随着医疗系统的变化、新疗法的引入以及患者群体的演变，这些模型可以以相对较小的代价进行更新，从而确保其持续有效。
该研究是使用美国退伍军人事务部的数据进行的，该部门提供了数百万患者的丰富纵向记录。虽然退伍军人群体主要是男性且年龄较大，但此处开发的这种方法论为改进任何大型医疗系统的风险预测提供了一种通用策略。研究人员建议，这种方法可以应用于其他慢性疾病和复杂的医学问题，为实现更可靠、更个性化的医疗提供路径。通过结合不同研究设计的优点，该团队展示了机器学习可以超越简单的模式匹配，从而创造出真正理解人类健康复杂性的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。