一种可解释的机器学习方法揭示了右心室功能障碍在非缺血性心肌病

这是一篇关于一种可解释的机器学习方法揭示了右心室功能障碍在非缺血性心肌病的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

一种可解释的机器学习方法揭示了右心室功能障碍在非缺血性心肌病中的预后意义

• 题目
  • An Explainable Machine Learning Approach Reveals Prognostic Significance of Right Ventricular Dysfunction in Nonischemic Cardiomyopathy
• 摘要
  • 背景/目的
    • 机器学习( ML )模型
    • 非缺血性心肌病( NICM )
    • ICM患者的危险分层仍然具有挑战性
    • 一个可解释的ML模型有可能洞察不同风险标志物在预测模型中的贡献
    • 实施一个 ML 模型，以深入了解心脏磁共振标志物与 NICM 患者心血管住院和全因死亡(复合终点)不良结局之间的关联
  • 方法
    • 利用心脏磁共振和临床参数，开发了基于极端梯度提升( XGBoost )机器的可解释ML模型
    • 研究队列包括来自2个学术医疗中心
      • BIDMC中心
        • 328
      • BWH中心
        • 214例
    • XGBoost对BIDMC中心中70 %的患者进行训练，以另外30 %作为内部验证进行评估
    • 使用BWH中心对模型进行外部验证
      • BIDMC的患者异质性较高，疾病进展缓慢，主要由评估非缺血性疾病病因的门诊患者组成
      • BWH的患者往往具有更晚期的疾病，体现在更高的事件发生率( 16 %和10 %)
    • 为了考察不同特征在我们的风险预测模型中的贡献，使用了Shapley加性解释( SHAP )分析
    • 提取了与CV相关住院和全因死亡相关的所有相关结局指标
    • 将CV住院和全因死亡作为我们的复合结局，并没有将心律失常作为不良结局纳入，因为心律失常的随访数据不完整
    • 记录了CMR扫描与复合结局的第一个事件之间的时间间隔
    • XGBoost模型可以考虑缺失数据，因此不需要对缺失值进行插补
    • 使用10倍交叉验证过程，使用网格搜索对模型超参数进行调优
    • 为了研究模型的可靠性，在低事件率的情况下，使用减少的事件率重新训练模型，排除了3 ( 12 % , n = 24)例阳性结果的患者，并报告了最重要的一组预测因子的变化
    • 使用AUC和精确率-召回率曲线下面积(平均精度[ AP ])评估模型对结果预测的性能
    • 本文模型使用的代码可在线获取
    • 模型使用标准的人口统计学、合并症和CMR成像参数构建
    • 测量了以下左心室和右心室的CMR参数
      • 射血分数
      • 舒张末期容积
      • 收缩末期容积
      • 每搏输出量
      • 心输出量
      • 舒张末期心肌质量
  • 结果
    • 在平均40个月的随访期间，34例BIDMC患者和33例BWH患者发生了复合终点事件
    • BIDMC内部验证和BWH队列预测复合终点的曲线下面积分别为0.71和0.69
    • SHAP分析确定了与右心室( RV )功能障碍和重构相关的参数作为不良结果的主要标志物
    • 通过SHAP分析确定高风险阈值，从而为最高预测连续临床变量提供阈值
    • 重复模型训练降低事件发生率后得到以下最显著因素
      • 9个重要参数即使在减少阳性结果的患者数量后，仍然是最重要的参数之一
  • 结论
    • 一个可解释的基于ML的风险预测模型具有识别NICM患者心血管住院和全因死亡风险的潜力
    • RV射血分数、收缩末期和舒张末期容积(作为RV功能障碍和重构的指标)被确定为主要风险标志物
    • 在传统的统计模型中，一个预测器通常需要8到10个输出结果，这限制了模型预测器的最大数量为3
      • 开发数据集的低成功率(只有34 [ 10 % ]患者)
    • 尽管存在异质性差异，ML模型的结果在两个队列中显示出一致的性能，这表明了一个可推广的和临床有用的预测模型
• 字不如表
  • Table 1
    • BIDMC中心患者临床特征
      • 阳性事件基线资料表
  • Table 2
    • BWH中心患者临床特征
      • 阳性事件基线资料表
  • Table 3
    • 基于Shap分析建议的最重要CMR预测因子的最佳截断点
      • 心脏磁共振( CMR )成像
• 表不如图
  • Figure 1
    • Xgboost模型性能
      • 内部验证外部验证ROC、PR曲线
  • Figure 2
    • 前12个( n = 46)风险标志物的模型解释
    • BIDMC中心风险预测者贡献的全局解释
      • ( A )每个预测变量的平均 SHAP 值的条形图
      • ( B )蜂群图，其中每个点对应训练集中的1例患者
  • Figure 3
    • BIDMC中心正负样本力图
      • BIDMC队列中为2个具有代表性的有和无不良事件的患者提供了个性化的特征属性
  • Figure 4
    • 内部队列中12个最重要的风险预测因子的SHAP值与每个预测因子的测量值之间的关系
      • 从图中可以确定每个预测因子区分高风险(即SHAP值> 0 )和低风险(即SHAP值< 0 )的截断阈值
    • 不同个体预测特征值及其阈值的影响
      • SHAP依赖图显示了单个特征如何影响预测模型的输出
      • 特定特征的SHAP值超过零，表示发生不良事件的风险增加
      • 提示高风险的切点建议为(红色虚线)
  • Figure 5
    • KM累积生存曲线用于分析两个中心基于SHAP分析的高风险截断值的NICM患者的生存情况
      • 根据每个参数的局部SHAP分析选择截断值
      • BIDMC队列 (图5A )
      • BWH队列 (图5B )
• 补充材料
  • Table S1
    • 在数据集(附表S1和S2)中，除PASP外，用于模型开发的所有变量均测量了98 %以上的患者
    • 所开发的模型使用的每个变量的缺失测量数
    • 数值表示每个指示的临床变量不可用的测量次数
  • Table S2
    • 每例患者漏测数据的分布数量
    • 数值表示缺失" m "测量值的患者数量
  • Figure S1
    • 逻辑回归预测模型性能
    • 在探索性分析中，使用相同的数据集，使用以下变量训练和测试逻辑回归分类器
    • 该分类器在内部和外部验证队列中的AUC分别为0.65和0.67，AP分别为0.21和0.32
    • 这种较低的表现可以归因于我们的开发数据集的低成功率(只有34 [ 10 % ]患者)