摘要
背景目前肺动脉高压(PAH)风险分层工具的区分能力有限,部分原因是假设预后临床变量与临床结果具有独立和线性关系。我们试图证明基于贝叶斯网络的机器学习在增强现有最先进的风险分层工具REVEAL 2.0的预测能力方面的效用。
方法我们使用REVEAL 2.0中发现的相同变量和切点,推导了一个树增广的naïve Bayes模型(标题为PHORA)来预测纳入REVEAL登记的PAH患者的1年生存率。PHORA模型在内部(在REVEAL注册中心内)和外部(在COMPERA和PHSANZ注册中心内)进行了验证。根据2015年欧洲心脏病学会/欧洲呼吸学会指南,患者被分为低、中、高危(12个月死亡率分别<5%、5-20%和>10%)。188bet官网地址
结果PHORA预测1年生存率的曲线下面积(AUC)为0.80,比REVEAL 2.0 (AUC 0.76)有改善。当在COMPERA和PHSANZ注册表中验证时,PHORA的AUC分别为0.74和0.80。PHORA预测的1年生存率在风险评分较低的患者中较高,而风险评分较高的患者中较低(p<0.001),在所有三种登记中,低、中、高危组之间的分离都很好。
结论我们的贝叶斯网络衍生的风险预测模型,PHORA,在区分现有模型方面有改进。这反映了基于贝叶斯网络的模型能够解释临床变量之间的相互关系,以及在计算预测时对缺失数据元素的容忍度。
摘要
贝叶斯机器学习算法可以提高多环芳烃风险分层的识别能力。我们的BN模型,名为PHORA,预测了1年死亡率,AUC为0.8,对患者进行了有效的风险分层,并在两个独立的PAH注册中得到验证。https://bit.ly/2xc0EVJ
脚注
利益冲突:M.K. Kanwar报告了NIH/NHBLI在进行研究期间的拨款。
利益冲突:M. Gomberg-Maitland报告咨询/指导委员会、数据监测委员会工作于Acceleron、Actelion、Complexa、Gossamer Bio、Reata和Neuroderm;乔治·华盛顿医学和健康科学学院获得了Altavant和United Therapeutics的研究资助;也是联合治疗公司(United Therapeutics)科学顾问委员会的成员。
利益冲突:M. Hoeper报告了来自Actelion,拜耳,默沙东和辉瑞的个人费用,在提交的工作之外。
利益冲突:鲍许没什么可透露的。
利益冲突:D. Pittrow报告了来自Actelion、拜耳、安进、勃林格殷格翰、赛诺菲、默沙东和百健的个人费用。
利益冲突:G. Strange报告了Actelion制药、葛兰素史克和拜耳制药在研究进行期间的拨款。
利益冲突:J.J. Anderson报告了葛兰素史克的拨款,Actelion和拜耳的非财政支持,阿斯利康的个人费用,在提交的工作之外。
利益冲突:C. Zhao是Actelion Pharmaceuticals US, Inc.(强生公司的詹森制药公司)的雇员。
利益冲突:斯科特没有什么可透露的。
利益冲突:M.J. Druzdzel是BayesFusion, LLC的合伙人。
利益冲突:J. Kraisangka没有什么可披露的。
利益冲突:L. Lohmueller没有什么可披露的。
利益冲突:J. Antaki报告了NIH/NHLBI (R01 HL134673)在研究进行期间的拨款。
利益冲突:R.L. Benza报告了NIH/NHLBI (R01 HL134673)、Actelion、United Therapeutics和拜耳在研究进行期间的资助。
支持声明:这项工作的资金由美国国立卫生研究院,国家心脏、肺和血液研究所部门提供,拨款R01 HL134673, PHORA:肺动脉高压结局风险评估。本文的资金信息已存入Crossref资助者注册表.
- 收到了2020年1月9日。
- 接受2020年4月22日。
- 版权©2020人队