使用機器學習技術 提供心衰竭患者個人化治療

---

  

---

德克薩斯心臟研究所（Texas Heart Institute），於2024年3月4日ScienceDirect期刊，透過機器學習技術來識別、理解並預測急性失代償性心衰竭（acute decompensated heart failure,ADHF）患者對利尿劑（Diuretic）的反應，同時開發出一種名為BAN-ADHF評分的預測工具，可以產生個人化治療策略，有效管理因 ADHF 住院的患者的醫療品質。

治療心衰竭用藥因人而異 尋求個人化劑量解決方案

目前專家們仍未就如何因應心衰竭患者出現利尿劑抗藥性的情況達成共識。一般認為應先優化環利尿劑（Loop diuretics）的劑量，再考慮聯合用藥，但尚未定論應該增加到何種劑量才需要引入其他利尿劑。Segar博士表示：「住院患者的不良利尿反應會延緩治療進展，並增加出院後再度住院和死亡風險。及早識別出利尿效率不佳的患者，調整治療策略，對改善臨床結果至關重要。」

 

ADHF是一個日益受到重視的公共衛生問題，會導致就醫、住院，並產生高額醫療支出。ADHF指身體積存過多體液，通常需要住院治療或改變患者目前的治療計畫。德克薩斯心臟協會總裁兼執行長Joseph G. Rogers博士表示：「如今治療ADHF的主要目標是利用環利尿劑來減少體內積液。然而，對於該給予多少劑量仍存在不確定性。鑑於ADHF患者的異質性,我們需要更個人化的方法來預測最佳劑量策略。」  

BAN-ADHF評分 區別患者特徵提供個人化治療

研究人員利用來自多個臨床試驗和註冊機構的公開且未識別的數據，透過利用機器學習演算法並且根據ADHF患者對利尿藥物的反應，將他們分為多個子群，開發出一種利尿效率表型圖譜方法（phenomapping approach）。每個子群中的患者特徵相似，但與其他族群在臨床表現、利尿劑的反應有所區別。除了在利尿反應上的差異外，各患者子群的臨床結果也有顯著差距，凸顯了這種分群方法的預後效果。研究人員隨後開發BAN-ADHF並驗證了評分，用以預測患者屬於哪一子群的機率，提供最適的個人化用藥指示。

 

圖片來源：A Phenomapping Tool and Clinical Score to Identify Low Diuretic Efficiency in Acute Decompensated Heart Failure,ScienceDirect

 

 

Segar博士分享說：「我們知道BAN-ADHF評分能夠準確識別、描述並預測ADHF患者的利尿抗藥性。現在我們必須將這項醫學知識付諸實踐，進行臨床研究，評估在照護流程中實施BAN-ADHF評分是否能改善住院ADHF患者的預後。」這項研究獲得美國國家心肺血液研究所的肯定，Segar博士也獲頒美國心臟協會的年輕臨床研究員獎項。

 

 

 

 

 

編輯來源和事實核查:

1.Machine Learning Informs A New Tool To Guide Treatment for Acute Decompensated Heart Failure,The Texas Heart Institute,2024.01.30

2.A Phenomapping Tool and Clinical Score to Identify Low Diuretic Efficiency in Acute Decompensated Heart Failure,ScienceDirect,2024.03.04