تقييم استخدام التعلم الآلي للتصنيف التشخيصي لأنواع ارتفاع ضغط الدم التي حُددت بواسطة مراقبة ضغط الدم المتنقلة

الخلفية يؤدي التصنيف غير الدقيق لضغط الدم إلى العلاج غير المناسب. قمنا باختبار ما إذا كان يمكن أن يعمل التعلم الآلي (ML)، باستخدام البيانات السريرية الروتينية، كبديل موثوق لمراقبة ضغط الدم المتنقلة (ABPM) في تصنيف حالة ضغط الدم. الطرق استخدمت هذه الدراسة نهج متعدد المراكز يتضمن ثلاث مجموعات استنتاجية من غلاسكو، غدانسك، وبرمنغهام، ومجموعة تقييم مستقلة رابعة. تم تدريب نماذج التعلم الآلي باستخدام ضغط الدم في العيادة، ومراقبة ضغط الدم المتنقلة، وبيانات سريرية ومختبرية وسكانية، تم جمعها من المرضى المحالين لتقييم ارتفاع ضغط الدم. تم تدريب سبعة خوارزميات تعليم آلي لتصنيف المرضى إلى خمسة مجموعات: طبيعي/مستهدف، ارتفاع ضغط الدم المقنع، طبيعي/مستهدف-معطف أبيض، ارتفاع ضغط الدم-معطف أبيض، وارتفاع ضغط الدم. تم حساب مخاطر الأحداث القلبية الوعائية على مدى 10 سنوات ومخاطر الوفيات لجميع الأسباب على مدى 27 عامًا للمجموعات المشتقة من التعلم الآلي باستخدام نموذج المخاطر النسبية لكوك. النتائج أظهرت XGBoost بشكل عام أعلى AUROC بين 0.85-0.88 عبر المجموعات الاستنتاجية، غلاسكو (عدد=923؛ 43% إناث؛ العمر 50.7±16.3 عامًا)، غدانسك (عدد=709؛ 46% إناث؛ العمر 54.4±13 عامًا)، وبرمنغهام (عدد=1,222؛ 56% إناث؛ العمر 55.7±14 عامًا). لكن الدقة (0.57-0.72) ودرجات F1 (0.57-0.69) كانت منخفضة عبر المجموعات الثلاث. أشارت مجموعة التقييم (عدد=6213، 51% إناث؛ العمر 51.2±10.8 عامًا) إلى زيادة مخاطر الأحداث القلبية الوعائية المركبة على مدى 10 سنوات في مجموعتي طبيعي/مستهدف-معطف أبيض وارتفاع ضغط الدم-معطف أبيض، مع ملاحظة زيادة وفيات جميع الأسباب على مدى 27 عامًا في جميع المجموعات باستثناء ارتفاع ضغط الدم المقنع، مقارنة بمجموعة طبيعي/مستهدف. الاستنتاجات للتعلم الآلي قدرة محدودة في التصنيف الدقيق لضغط الدم عندما لا يكون مراقبة ضغط الدم المتنقلة متاحة. هناك حاجة إلى دراسات أكبر تشمل مجموعات مرضى متنوعة وإعدادات موارد مختلفة.