블로그

Mar 14, 2023

AI는 심부전의 5가지 유형을 식별하여 위험 예측 및 치료를 안내합니다.

심부전은 전 세계적으로 수백만 명에게 영향을 미치지만 여러 가지 요인으로 인해 발생할 수 있습니다.

심부전은 전 세계적으로 수백만 명에게 영향을 미치지만 다양한 요인으로 인해 발생할 수 있으므로 다양한 치료가 필요합니다. 이제 연구자들은 대규모 인구 기반 데이터 세트를 사용하여 여러 기계 학습 모델을 훈련하여 치료, 환자 교육 및 향후 위험 요인 예측에 더 나은 정보를 제공할 수 있는 심부전의 5가지 하위 유형을 식별했습니다.

'심부전'은 심장이 혈액과 산소에 대한 신체의 요구를 충족시킬 만큼 효과적으로 펌프질하지 못하는 경우를 설명하는 데 사용되는 포괄적인 용어입니다. 이는 상태 치료에 영향을 미치는 여러 가지 기본 요인으로 인해 발생할 수 있습니다. 심부전의 위험 요인으로는 관상동맥 질환 및 심장마비, 당뇨병, 고혈압, 과체중 및 비만, 심장 판막 질환 등이 있습니다.

전통적으로 심부전의 다양한 유형은 사람의 좌심실 박출률(LVEF), 즉 각 수축 시 심장의 좌심실이 밀어내는 혈액의 양에 따라 분류됩니다. 그러나 2018년 스웨덴 기계 학습 연구에서는 LVEF가 심부전 생존율을 예측하지 못한 것으로 나타났습니다.

이제 University College London의 연구자들은 4가지 기계 학습 모델을 사용하여 치료에 더 많은 정보를 제공하고 향후 위험을 판단할 수 있는 심부전 하위 유형을 결정하기 위한 프레임워크를 개발했습니다.

연구진은 20년 동안 심부전 진단을 받은 영국 환자 30만 명 이상의 익명화된 전자 건강 기록 데이터를 조사했습니다. 데이터는 영국 인구를 대표하는 두 개의 대규모 일차 의료 데이터 세트에서 가져왔습니다.

이번 연구의 주요 저자인 아미타바 바네르지(Amitava Banerjee)는 “우리는 질병의 예상 경과를 더 잘 이해하고 이를 환자에게 전달하는 것을 목표로 심부전 분류 방법을 개선하려고 노력했습니다.”라고 말했습니다. "현재로서는 질병이 어떻게 진행되는지 개별 환자별로 예측하기 어렵습니다. 어떤 사람들은 수년 동안 안정되는 반면 다른 사람들은 빨리 악화됩니다."

하나의 기계 학습 모델을 사용함으로써 발생할 수 있는 편견을 피하기 위해 연구원들은 4가지 모델을 사용하여 심부전 사례를 그룹으로 분리했습니다. 데이터 세그먼트를 사용하여 훈련된 후 모델은 연령, 증상, 기타 질환의 존재, 환자가 복용 중인 약물, 혈압과 같은 건강 매개변수 및 테스트 결과를 포함하여 가능한 635개 요인 중 87개를 기반으로 5개의 하위 유형을 식별했습니다. 신장 기능만큼. 하위 유형은 별도의 데이터 세트를 사용하여 검증되었습니다.

다섯 가지 하위 유형은 특정 특성에 따라 분류되었습니다. '조기 발병'에는 위험 요인의 비율이 낮은 젊은 사람들이 포함되었습니다. '만성 발병'은 나이가 많고 여성이며 약물을 거의 처방하지 않았으며 심혈관 질환이 있었습니다. '심방세동 관련'에는 심방세동(심장이 불규칙하게 뛰는 상태) 또는 심장 판막 질환이 있는 사람이 포함되었습니다. '대사' 하위 유형에는 위험 요인 비율이 중간이지만 심혈관 질환 비율이 낮은 과체중 사람들이 포함되었습니다. 그리고 '심장대사'에는 위험 요인과 심혈관 질환의 비율이 높은 처방약을 많이 복용하는 과체중 사람들이 포함되었습니다.

연구진은 진단 후 1년 안에 사망할 위험이 하위 유형에 따라 다르다는 사실을 발견했습니다. 1년차에 전체 원인으로 인한 사망 위험은 심방세동 관련 하위그룹(61%)에서 가장 높았고, 늦은 발병(46%), 심장대사성(37%), 조기 발병(20%), 대사성(20%) 순이었습니다. 11%).

연구진은 이번 연구 결과가 심부전 치료를 개선하는 데 사용될 수 있다고 말했습니다.

Banerjee 박사는 “심부전 유형 간의 더 나은 구분은 보다 표적화된 치료법으로 이어질 수 있으며 잠재적인 치료법에 대해 다른 방식으로 생각하는 데 도움이 될 수 있습니다.”라고 말했습니다.

연구원들은 의사가 사람이 어떤 하위 유형에 속하는지 결정하는 데 사용할 수 있는 기계 학습 접근 방식을 기반으로 앱을 개발했습니다. 이는 환자 교육을 안내하고 향후 위험 예측을 개선하는 데 사용될 수 있습니다.

Banerjee 박사는 "다음 단계는 심부전을 분류하는 이러한 방식이 위험 예측과 임상의가 제공하는 정보의 질을 향상하는지, 환자의 치료를 변화시키는지 여부 등 환자에게 실질적인 변화를 가져올 수 있는지 확인하는 것입니다."라고 말했습니다. "우리는 또한 그것이 비용 효과적인지 알아야 합니다. 우리가 디자인한 앱은 임상 시험이나 추가 연구에서 평가되어야 하지만 일상적인 치료에 도움이 될 수 있습니다."