机器学习为指导急性失代偿性心力衰竭的治疗提供了新工具

最近的一项研究由德克萨斯心脏研究所三年级心血管疾病研究员 Matthew Segar 博士与人合着，由他的研究和住院医师导师、德克萨斯大学西南医学中心的 Ambarish Pandey 博士领导，该研究利用了基于机器学习的方法识别、理解和预测急性失代偿性心力衰竭(ADHF)患者利尿反应的方法。

该研究发表在《JACC：心力衰竭》上，题为“识别急性失代偿性心力衰竭低利尿效率的表型映射工具和临床评分”，利用了数十年的临床和注册数据集。

研究人员利用基于机器学习的方法开发了一种称为 BAN-ADHF 评分的预测工具，该工具在准确预测利尿反应方面显示出有希望的结果。在其他临床人群中进行验证后，实施该工具可能会产生个性化策略，以有效管理因 ADHF 住院的患者的拥堵情况。

对于血流动力学稳定且液体量过多的心力衰竭患者解决利尿抵抗的最有效方法，专家们仍缺乏共识。一般建议在考虑联合治疗之前优化袢利尿剂的剂量;然而，对于在引入另一种利尿剂之前应增加多少剂量尚未达成共识。

Segar 博士表示：“住院患者的低效利尿反应可能会阻碍治疗进展，并增加出院后再住院和亡的风险。尽早识别利尿效率低下的个体，以制定缓解充血策略并改善临床结果至关重要。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！