Supervised Machine Learning using Environmental Factors to Predict In-Hospital Outcomes in Acute Heart Failure Patients
Modèle pronostique de machine learning supervisé, incluant des facteurs environnementaux, pour prédire la sévérité intra-hospitalière chez les patients admis pour insuffisance cardiaque aiguë
Résumé
Background and aims: while few traditional scores are available for risk stratification of patients hospitalized for acute heart failure (AHF), the potential benefit of machine-learning (ML) is not well-established. We aimed to assess the feasibility and accuracy of a supervised ML-model including environmental factors to predict in-hospital major adverse events (MAE) in patients hospitalized for AHF.
Methods: in April 2021, a French national prospective multicentre study included all consecutive patients hospitalized in ICCU. Patients admitted for AHF were included in the analyses. A ML-model involving automated feature selection by Least absolute shrinkage and selection operator (LASSO) and model building with a Random Forest (RF) algorithm was developed. The primary composite outcome was in-hospital MAE defined by death, resuscitated cardiac arrest, or cardiogenic shockrequiring assistance.
Results: among 459 patients included (age 68±14 years, 68% male), 47 experienced in-hospital MAE (10.2%). Seven variables were selected by LASSO for predicting MAE in the training dataset (N=322): mean arterial pressure, ischemic aetiology, sub-aortic velocity time integral, E/e’, tricuspid annular plane systolic excursion, recreational drug use and exhaled carbon monoxide level. The RF model showed the best performance compared with other evaluated models (AUROC=0.82, PR-AUC=0.48,F1-score=0.56). Our ML-model exhibited a higher AUROC compared with an existing score for prediction of MAE (AUROC for our ML-model: 0.82 vs Acute HF-score: 0.57; p<0.001).
Conclusions: our ML-model including in particular environmental variables exhibited a better performance than traditional statistical methods to predict in-hospital outcomes in patients admitted for AHF.
Methods: in April 2021, a French national prospective multicentre study included all consecutive patients hospitalized in ICCU. Patients admitted for AHF were included in the analyses. A ML-model involving automated feature selection by Least absolute shrinkage and selection operator (LASSO) and model building with a Random Forest (RF) algorithm was developed. The primary composite outcome was in-hospital MAE defined by death, resuscitated cardiac arrest, or cardiogenic shockrequiring assistance.
Results: among 459 patients included (age 68±14 years, 68% male), 47 experienced in-hospital MAE (10.2%). Seven variables were selected by LASSO for predicting MAE in the training dataset (N=322): mean arterial pressure, ischemic aetiology, sub-aortic velocity time integral, E/e’, tricuspid annular plane systolic excursion, recreational drug use and exhaled carbon monoxide level. The RF model showed the best performance compared with other evaluated models (AUROC=0.82, PR-AUC=0.48,F1-score=0.56). Our ML-model exhibited a higher AUROC compared with an existing score for prediction of MAE (AUROC for our ML-model: 0.82 vs Acute HF-score: 0.57; p<0.001).
Conclusions: our ML-model including in particular environmental variables exhibited a better performance than traditional statistical methods to predict in-hospital outcomes in patients admitted for AHF.
Objectif : étudier la faisabilité et la robustesse d'un modèle de machine learning supervisé incluant des facteurs environnementaux pour prédire les événements indésirables majeurs intra-hospitaliers chez les patients hospitalisés pour insuffisance cardiaque aiguë aux soins intensifs.
Méthode : nous avons sélectionné les patients admis pour insuffisance cardiaque aigüe issus du registre ADDICTO-USIC, une étude multicentrique prospective nationale française qui a inclus tous les patients consécutifs hospitalisés aux soins intensifs de cardiologie. Le critère de jugement principal était un critère composite de survenu d’évènements majeurs intra-hospitaliers définis comme le décès, l'arrêt cardiaque récupéré ou le choc cardiogénique nécessitant une assistance médicamenteuse ou circulatoire. Plusieurs algorithmes de ML ont été entrainés puis comparés à un outil de statistique traditionnelle pour sélectionner les variables prédictives et construire notre modèle dans un échantillon d’entrainement. Les performances ont ensuite été validées dans un échantillon de validation et comparés à l’ACUTE-HF score.
Résultats : parmi les 459 patients inclus (âge 68±14 ans, 68 % d'hommes), 47 soit 10,2% de la cohorte ont présenté un événement majeur intra-hospitaler. Sept variables ont été sélectionnées par la régression de LASSO pour prédire l’évènement dans le train-set (N=322) : la pression artérielle moyenne, l'étiologie ischémique, l'ITV sous-aortique, le rapport E/e', le TAPSE, l'utilisation de drogues récréatives et le taux de CO expiré. Le Random forest a présenté les meilleures performances (AUROC=0,82, PR-AUC=0,48, F1-score=0,56). Enfin, notre modèle a été comparé à l’ACUTE-HF score et a montré une meilleure ROC-AUC (random forest : 0,82 vs Acute HF-score : 0,57 ; p<0,001).
Conclusion: notre modèle de ML, incluant sept variables dont deux variables environnementales, a montré les meilleures performances pour prédire les événements majeurs intra-hsopitaliers chez les patients admis pour insuffisance cardiaque aigüe.
Méthode : nous avons sélectionné les patients admis pour insuffisance cardiaque aigüe issus du registre ADDICTO-USIC, une étude multicentrique prospective nationale française qui a inclus tous les patients consécutifs hospitalisés aux soins intensifs de cardiologie. Le critère de jugement principal était un critère composite de survenu d’évènements majeurs intra-hospitaliers définis comme le décès, l'arrêt cardiaque récupéré ou le choc cardiogénique nécessitant une assistance médicamenteuse ou circulatoire. Plusieurs algorithmes de ML ont été entrainés puis comparés à un outil de statistique traditionnelle pour sélectionner les variables prédictives et construire notre modèle dans un échantillon d’entrainement. Les performances ont ensuite été validées dans un échantillon de validation et comparés à l’ACUTE-HF score.
Résultats : parmi les 459 patients inclus (âge 68±14 ans, 68 % d'hommes), 47 soit 10,2% de la cohorte ont présenté un événement majeur intra-hospitaler. Sept variables ont été sélectionnées par la régression de LASSO pour prédire l’évènement dans le train-set (N=322) : la pression artérielle moyenne, l'étiologie ischémique, l'ITV sous-aortique, le rapport E/e', le TAPSE, l'utilisation de drogues récréatives et le taux de CO expiré. Le Random forest a présenté les meilleures performances (AUROC=0,82, PR-AUC=0,48, F1-score=0,56). Enfin, notre modèle a été comparé à l’ACUTE-HF score et a montré une meilleure ROC-AUC (random forest : 0,82 vs Acute HF-score : 0,57 ; p<0,001).
Conclusion: notre modèle de ML, incluant sept variables dont deux variables environnementales, a montré les meilleures performances pour prédire les événements majeurs intra-hsopitaliers chez les patients admis pour insuffisance cardiaque aigüe.
Domaines
Médecine humaine et pathologieOrigine | Fichiers produits par l'(les) auteur(s) |
---|---|
Licence |