若年高血圧患者の臨床予後予測のための機械学習アプローチの価値．

Value of a Machine Learning Approach for Predicting Clinical Outcomes in Young Patients With Hypertension.

• Xueyi Wu
• Xinglong Yuan
• Wei Wang
• Kai Liu
• Ying Qin
• Xiaolu Sun
• Wenjun Ma
• Yubao Zou
• Huimin Zhang
• Xianliang Zhou
• Haiying Wu
• Xiongjing Jiang
• Jun Cai
• Wenbing Chang
• Shenghan Zhou
• Lei Song

抄録

若年の高血圧患者のリスク層別化は依然として困難である。一般に，機械学習（ML）は大量の複雑なデータを処理できるため，従来の臨床予測手法に代わる有望な手法と考えられている．そこで我々は、若年性高血圧患者の転帰を予測するための機械学習（ML）アプローチの実現可能性を探り、その性能を現在臨床で一般的に使用されているアプローチと比較した。ベースラインの臨床データと、全死亡、急性心筋梗塞、冠動脈再灌流、新規発症心不全、新規発症心房細動/心房粗動、持続性心室頻拍/心室細動、末梢動脈再灌流、新規発症脳卒中、末期腎疾患を含む複合エンドポイントを、若年高血圧患者508人（30歳）を対象に評価した。83±6.17歳）を対象に，第三次病院で治療を受けた若年高血圧患者508人を対象に評価を行った．再帰的特徴除去、極端な勾配ブースト、10倍クロスバリデーションからなるMLモデルの構築を33ヵ月後の評価時に行い、Cox回帰モデルおよび再校正されたFramingham Risk Scoreモデルとモデルの性能を比較した。MLアプローチを用いた転帰予測では、11変数の組み合わせが最も価値があると考えられた。複合エンドポイントを有する患者を同定するためのC統計量は、MLモデルでは0.757（95％CI、0.660-0.854）であったのに対し、Cox回帰モデルと再校正されたFramingham Risk Scoreモデルでは0.723（95％CI、0.636-0.810）と0.529（95％CI、0.403-0.655）であった。MLアプローチは、若年の高血圧患者の臨床予後を決定するためのCox回帰に匹敵し、再校正されたFramingham Risk Scoreモデルよりも優れていた。

Risk stratification of young patients with hypertension remains challenging. Generally, machine learning (ML) is considered a promising alternative to traditional methods for clinical predictions because it is capable of processing large amounts of complex data. We, therefore, explored the feasibility of an ML approach for predicting outcomes in young patients with hypertension and compared its performance with that of approaches now commonly used in clinical practice. Baseline clinical data and a composite end point-comprising all-cause death, acute myocardial infarction, coronary artery revascularization, new-onset heart failure, new-onset atrial fibrillation/atrial flutter, sustained ventricular tachycardia/ventricular fibrillation, peripheral artery revascularization, new-onset stroke, end-stage renal disease-were evaluated in 508 young patients with hypertension (30.83±6.17 years) who had been treated at a tertiary hospital. Construction of the ML model, which consisted of recursive feature elimination, extreme gradient boosting, and 10-fold cross-validation, was performed at the 33-month follow-up evaluation, and the model's performance was compared with that of the Cox regression and recalibrated Framingham Risk Score models. An 11-variable combination was considered most valuable for predicting outcomes using the ML approach. The C statistic for identifying patients with composite end points was 0.757 (95% CI, 0.660-0.854) for the ML model, whereas for Cox regression model and the recalibrated Framingham Risk Score model it was 0.723 (95% CI, 0.636-0.810) and 0.529 (95% CI, 0.403-0.655). The ML approach was comparable with Cox regression for determining the clinical prognosis of young patients with hypertension and was better than that of the recalibrated Framingham Risk Score model.