《Heart Rhythm》：Development and Validation of a Novel Machine Learning-Based Algorithm to Predict Incident Atrial Fibrillation – A Multicohort Analysis
编辑推荐：
房颤风险预测模型研究显示，基于机器学习的种族无偏见模型在区分度和校准方面优于传统CHARGE-AF评分，并减少临床偏见。研究纳入多队列数据，验证模型在预测房颤发生和减少种族差异方面有效性，为临床提供公平风险工具。
马修·W·塞加尔（Matthew W. Segar）|尼尔·凯什瓦尼（Neil Keshvani）|拜伦·雅格尔（Byron Jaeger）|安娜·罗森布拉特（Anna Rosenblatt）|梅赫迪·拉扎维（Mehdi Razavi）|穆罕默德·赛义德（Mohammad Saeed）|卡洛斯·J·罗德里格斯（Carlos J. Rodriguez）|萨迪亚·S·汗（Sadiya S. Khan）|大卫·高（David Kao）|安巴里什·潘迪（Ambarish Pandey）
美国德克萨斯州休斯顿市德克萨斯心脏研究所（Texas Heart Institute）心脏病学系
摘要
背景
现有的心房颤动（AF）风险预测模型将种族作为协变量，系统性地低估了黑人患者的AF风险，可能加剧了医疗保健方面的差异。
目的
开发并验证基于机器学习（ML）的、不考虑种族差异的风险评分，以预测AF风险，并评估其与CHARGE-AF评分在风险分层和偏见方面的差异。
方法
研究队列包括16,719名基线时无AF的参与者（ARIC研究，2011-2013年；CHS研究，1989-1990年）；验证队列包括13,928名参与者（来自MESA、Framingham Offspring和Generation 3研究）。主要结果是5年内的AF发病率。模型性能通过C指数、Brier分数和预测准确性指数进行评估。偏见通过差异影响（differential impact）、平等机会差异（equal opportunity difference）和Theil指数进行评估。计算了各种族群体的归因风险百分比。
结果
在5年的随访期间，研究队列中有507名（3.0%）参与者发生AF，验证队列中有262名（1.9%）参与者发生AF。机器学习模型的表现优于CHARGE-AF模型，具有更好的区分能力（C指数：0.83 [95% CI, 0.80-0.85] vs 0.77 [95% CI, 0.74-0.79]；P<0.001）和更优的校准效果（Brier分数：1.82 vs 1.92；P<0.001）。关键预测因素包括年龄、临床因素（心电图参数、心脏生物标志物、血压）和教育水平。归因风险分析显示，不同种族群体在AF风险贡献方面存在显著差异（非西班牙裔黑人：14.3% vs 白人参与者：34.6%）。机器学习模型在所有指标上都减少了算法偏见。
结论
不考虑种族差异的机器学习模型在预测性能上优于CHARGE-AF模型，并减少了偏见，有望改善临床风险分层，促进健康公平。
部分内容摘录
引言
心房颤动（AF）是一个日益严重的全球健康问题，与高发病率和医疗保健成本相关，预计到2030年其患病人数将从2010年的500万增加到约1200万。1, 2, 3 一旦患者被诊断为AF，其1年死亡率比普通人群高出20%以上。4 在AF的患病率和结果方面存在显著的种族差异，自报为白人的成年人中AF的患病率更高（11.3%）。
研究人群
我们从美国国立卫生研究院（NIH）生物样本和数据存储库协调中心（BioLINCC）获取了多个队列研究的去标识化参与者数据。研究队列包括动脉粥样硬化风险社区研究（ARIC）和心血管健康研究（CHS）的数据。验证队列还包括来自三个额外研究的数据：多民族动脉粥样硬化研究（MESA）、Framingham Offspring研究和Framingham研究。
结果
在排除了基线时有AF或至少20%协变量缺失的参与者后，研究队列共有16,719名参与者（补充图1）。ARIC和CHS分别贡献了13,134名和3,585名参与者。外部验证队列在排除相关参与者后共有13,928名参与者（MESA：n=6,705；FOS：n=3,226；FHS G3：n=3,997）。在最长5年的随访期间，研究队列和验证队列中分别有507名（3.0%）和262名（1.9%）参与者发生了AF事件。
基线数据
讨论
通过对5项描述详尽的观察性研究进行个体参与者级别的分析，我们开发并验证了新的AF预测模型，这些模型在不使用种族作为预测变量的情况下仍能取得更好的性能。通过整合生物标志物和SDOH数据，我们的机器学习模型显示出比现有的CHARGE-AF风险评分更好的区分能力和校准效果，而我们的简化整数模型则保持了类似的区分能力并提升了校准效果。
致谢：
资金支持：美国心脏协会“评估临床模型中的种族因素”项目（#23ARCRM1077164）提供资助
