WATCH-DM 위험 점수는 위험 1단위 증가에 대해 심부전의 상대 위험이 24% 더 높음을 예측하며, 5년 발생률은 위험 пятилет의 1.1%에서 17.4%로 증가한다.
기타
No
기계 학습 기반 WATCH-DM 위험 점수가 제2형 당뇨병 환자의 사건 심부전을 정확하게 예측하는가?
기계 학습 기반의 WATCH-DM 위험 점수는 쉽게 접근할 수 있는 임상 변수를 사용하여 제2형 당뇨병 외래 환자에서 사건 심부전의 5년 위험을 정확하게 예측한다.
Absolute Event Rate: 0% vs 0%
목적: 제2형 당뇨병 환자에서 심부전(HF) 위험을 예측하기 위한 새로운 기계 학습 기반 모델을 개발하고 검증한다. 연구 설계 및 방법: 심부전이 없고, 10%의 결측 데이터가 있는 8,756명의 환자 데이터를 사용하여 Action to Control Cardiovascular Risk in Diabetes (ACCORD) 시험에 등록하였다. 랜덤 생존 숲(RSF) 방법을 사용하여 사건 HF의 예측 요인을 식별하였다. RSF 모델은 Antihypertensive and Lipid-Lowering Treatment to Prevent Heart Attack Trial (ALLHAT)에서 제2형 당뇨병 환자를 대상으로 외부 검증을 수행하였다. 결과: 중앙 추적 관찰 기간 4.9년 동안 319명의 환자(3.6%)가 사건 HF를 발생시켰다. RSF 모델은 가장 높은 성능을 보이는 Cox 기반 방법(C-index 0.77 [95% CI 0.75–0.80] 대 0.73 [0.70–0.76])보다 더 나은 분별력을 보여주었고, 내부 검증 데이터 세트에서 수용 가능한 보정(Hosmer-Lemeshow 통계 χ2 = 9.63, P = 0.29)을 보였다. 식별된 예측 인자를 바탕으로 5년 HF 발생에 대한 정수 기반 위험 점수인 WATCH-DM(체중 BMI, 나이, 고혈압, 크레아티닌, HDL-C, 당뇨병 조절 공복 혈당, QRS 기간, MI, CABG)를 생성하였다. 위험 점수가 1단위 증가할 때마다 5년 이내 HF의 상대 위험이 24% 높아졌다. 누적 5년 HF 발생률은 1.1% (WATCH-DM 점수 ≤7)에서 17.4% (WATCH-DM 점수 ≥14)로 기울어졌다. 외부 검증 집단에서 RSF 기반 위험 예측 모델과 WATCH-DM 위험 점수는 좋은 분별력(C-index = 0.74 및 0.70, 각각), 수용 가능한 보정(P ≥0.20), 넓은 위험 stratification (5년 HF 위험 범위 1~5 등급에서 2.5% ~ 18.7%)을 보였다. 결론: 우리는 외래 환자의 제2형 당뇨병에서 HF 위험을 예측하기 위해 쉽게 접근할 수 있는 임상, 실험실, 심전도 변수를 통합한 새로운 기계 학습 기반 위험 점수를 개발하고 검증하였다.
Segar et al. (금) 보고서의 다른 연구. WATCH-DM 위험 점수는 위험 1단위 증가에 대해 심부전의 상대 위험이 24% 더 높음을 예측하며, 5년 발생률은 위험 quintiles에 따라 1.1%에서 17.4%로 증가한다.