Adding Social Factors to AI Boosts HF Risk Prediction in Black Patients

L'aggiunta di determinanti sociali della salute (SDOH) ai modelli di apprendimento automatico per prevedere il rischio ha migliorato le previsioni di mortalità in ospedale negli adulti neri ricoverati in ospedale con insufficienza cardiaca (HF), ma non ha mostrato una capacità simile nei pazienti non neri, in uno studio basato in parte sul Get with Registry the Guidelines in Heart Failure (GWTG-HF) sponsorizzato dall'American Heart Association.

Il nuovo strumento di previsione del rischio abilitato dal codice postale di SDOH, incluso il reddito familiare, il numero di adulti senza diploma di scuola superiore, la povertà, i tassi di disoccupazione e altri fattori, ha stratificato il rischio in modo più grave nei pazienti di colore rispetto ai modelli standard, inclusi alcuni modelli basato sulla regressione logistica multivariata.

"I modelli di rischio tradizionali esistenti per l'insufficienza cardiaca assegnano rischi inferiori per le persone di colore se tutto rimane costante", ha affermato Ambarish Pandey, MD, MSCS, University of Texas Southwestern Medical Center, Dallas. theheart.org | Cuore Medscape.

"Penso che questo rappresenti un problema, perché se i pazienti neri sono considerati meno rischiosi, potrebbero non ricevere i trattamenti appropriati basati sul rischio che vengono forniti. Volevamo allontanarci da questo approccio e utilizzare un approccio più neutrale rispetto alla razza, " ha detto Pandey. , che è l'autore senior dello studio, che è stato pubblicato il 6 luglio a gamma del cuorecon l'autore principale Matthew W. Segar, MD, Texas Heart Institute, Houston.

Il set di dati di formazione del modello di previsione consisteva in 123.634 pazienti ospedalizzati con SC (età mediana, 71 anni), di cui il 47% erano donne, iscritti al registro GWTG-HF dal 2010 al 2020.

I modelli di apprendimento automatico hanno dimostrato "prestazioni eccellenti" quando applicati a un sottogruppo interno di 82.420 pazienti, con una statistica C di 0,81 per i pazienti neri e 0,82 per i pazienti non neri, hanno riferito gli autori, e in una coorte del mondo reale . 553506 pazienti con conta C di 0,74 e 0,75, rispettivamente. I modelli si sono comportati altrettanto bene, scrivono, in un set di validazione esterno derivato dal registro ARIC, con statistiche C rispettivamente di 0,79 e 0,80.

I modelli di apprendimento automatico hanno sovraperformato il modello del punteggio di rischio GWTG-HF, statistiche C di 0,69 per pazienti sia neri che non neri e altri modelli di regressione logistica in cui la razza era una variabile, hanno riferito gli autori.

"Abbiamo anche osservato differenze significative specifiche per razza nei rischi attribuibili alla popolazione di mortalità ospedaliera associati a SDOH, con un contributo significativamente maggiore di questi parametri al rischio complessivo di mortalità ospedaliera nei pazienti neri rispetto a quelli non neri", hanno affermato. scrivere.

Per i pazienti neri, cinque parametri SDOH erano tra le prime 20 variabili predittive per la mortalità intraospedaliera: livello di reddito medio, tasso di posti vacanti e disoccupazione, percentuale della popolazione senza diploma di scuola superiore e percentuale di età superiore ai 65 anni. Insieme, rappresentavano l'11,6% del rischio di morte in ospedale attribuibile alla popolazione.

Solo un parametro per SDOH - la percentuale della popolazione sopra i 65 anni - è entrato nella top 20 per i pazienti non neri, con un rischio attribuibile alla popolazione dello 0,5%, riferisce il gruppo.

"Spero che il nostro lavoro stimolerà le indagini future per comprendere meglio come i determinanti sociali contribuiscono al rischio e come possono essere integrati nella gestione di questi pazienti", ha affermato Pandey.

Eldrin F. Lewis, MD, MSc in Public Health, Stanford University School of Medicine, Palo Alto, California, ha scritto un editoriale di accompagnamento.

"È fondamentale utilizzare queste nuove tecnologie per andare oltre la semplice previsione dei gruppi a maggior rischio e sfruttare i dati per creare soluzioni che riducano tali rischi per il singolo paziente", afferma Lewis.

"Dobbiamo utilizzare questi strumenti per ridurre le differenze razziali ed etniche nelle operazioni dei sistemi sanitari, potenziali pregiudizi nelle decisioni di gestione e inattività a causa della difficoltà di ottenere cure mediche orientate alle linee guida nelle mani di persone che potrebbero avere risorse limitate con il minimo -di tascabili.” Scrive.

I modelli valutati nel presente rapporto "stabiliscono un nuovo standard per la previsione del rischio: integrando un insieme completo di dati demografici, comorbidità e determinanti sociali con l'apprendimento automatico che evita razza ed etnia nella previsione del rischio", gamma del cuore Il vicedirettore Clyde W. Yancey, MD, e il redattore associato Saadia S. Khan, MD, entrambi della Northwestern University Feinberg School of Medicine, Chicago, in una nota del redattore di accompagnamento.

Concludono: "Questa integrazione più accurata dei fattori sociali a livello di individuo, quartiere e ospedale è ora un modello candidato per futuri modelli di rischio".

Pandey rivela finanziamenti di sovvenzioni da Applied Therapeutics e Gilead Sciences; Fornire consigli o agire come consulente per Tricog Health, Eli Lilly, Rivus e Roche Diagnostics; ricevere sostegno non finanziario da Pfizer e Merck; e il supporto alla ricerca dalla borsa di studio clinica delle risorse sanitarie del Texas, dal programma di ricerca scientifica Gilead, dal National Institute on Aging GEMSSTAR Grant e dalle terapie applicate. Segar rivela di aver ricevuto un sostegno non finanziario da Pfizer e Merck. Altre informazioni nel rapporto. Lewis non ha fatto rivelazioni. Yancy e Khan non hanno avuto rivelazioni rilevanti.

Cardiolo gamma. Pubblicato online il 6 luglio 2020. Abstract, Editoriale, Nota del redattore

Altro da theheart.org | Medscape Cardiology, seguici Twitter e Facebook.

#Adding #Social #Factors #Boosts #Risk #Prediction #Black #Patients

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.