顺天堂大学研究人员训练了一种机器学习算法，利用临床信息和身体功能指标，准确估计老年心力衰竭患者治疗后的长期生存几率。信用：山田宽治/顺天堂大学，日本
在任何年龄段监测和治疗心力衰竭（HF）都是一项具有挑战性的任务。已经开发了多种模型，如心房颤动、血红蛋白、老年人、异常肾参数、糖尿病（AHEAD）和慢性心力衰竭中定制治疗的生物学研究（BIOSTAT）精简版，这些模型基于心律失常、贫血、年龄、糖尿病和射血分数等临床因素来预测患者的生存可能性。
然而，先前的研究表明，这些为欧洲和北美人群开发的工具，在评估东亚老年患者的风险时往往低估了实际风险。那么，纳入其他因素能否改善对患者生存的预测？
顺天堂大学的一个研究团队开发了一个更好的模型来预测心力衰竭后的长期生存率。该研究项目由健康科学学院的高桥哲也教授和山田宽治助理教授以及医学院研究生院的萩山信之副教授领导。
研究团队使用机器学习算法，找出评估生存几率的最重要指标。他们的研究结果发表在《柳叶刀区域健康—西太平洋》期刊上。
山田博士描述了现有心力衰竭严重程度模型的缺陷："这些模型主要依赖心脏特异性及生物医学变量，往往低估了身体功能、虚弱和营养状况等非心脏因素的影响，这些因素对老年人的预后至关重要，而且与年龄等固定因素不同，它们可能通过康复和支持性护理成为可调节的目标。"
研究团队转向了全国性的J-Proof HF登记系统，该系统追踪日本96家医疗机构治疗的老年心力衰竭患者。研究团队使用了2020年12月至2022年3月期间接受治疗并在医院出院的9,700名患者的数据，训练了一个极端梯度提升（Full XGBoost）算法，以预测治疗后一年内的死亡风险。
研究团队还使用第一个模型中最重要的20个变量开发了第二个模型（Top-20 XGBoost）。20个变量中有7个与身体功能和其他非心脏因素相关。
山田博士说："BI[巴氏指数]和SPPB[简短身体性能测试]在我们的分析中占有重要地位，这在临床上是连贯的。与其他评分中包含的主观日常活动评估不同，基于表现的评估，如BI和SPPB，提供了更大的可重复性，并能更直接地捕捉功能限制。"
两种XGBoost模型在预测一年内死亡风险方面同样准确。此外，与AHEAD和BIOSTAT精简版相比，Top-20 XGBoost模型在根据死亡风险对患者进行分类方面更为有效。
由于该模型是使用日本全国队列的数据开发的，它可能为日本心力衰竭老年患者提供一个更符合特定背景的风险评估工具。
医生和其他医疗专业人员可以使用Top-20 XGBoost，而不是采用"一刀切"的方法来治疗心力衰竭老年患者，从而准确识别那些可能从更密切的监测或更量身定制的出院后护理中受益的患者。
这也将更有效地利用医疗资源。该模型中身体功能指标的突出地位强调了身体康复作为长期心力衰竭管理的一部分的重要性，以及在住院前后维持身体功能的潜在价值。
山田博士补充道："我们的研究结果表明，出院时的身体功能是生存的一个极其重要的决定因素，其重要性堪比传统的心血管风险因素。这项研究强调了将全面的老年医学和功能评估整合到心力衰竭老年患者的常规管理和风险分层中的基本价值。"
研究团队持谨慎乐观态度，指出该模型需要在日本和其他国家进行更多测试才能进一步完善。尽管如此，他们已经开始开发基于Top-20 XGBoost的工具，医生和其他医疗专业人员可以输入患者信息，获得其死亡风险的准确估计。
Kanji Yamada等人，机器学习预测老年心力衰竭患者1年死亡率：一项全国性、多中心、前瞻性队列研究，《柳叶刀区域健康—西太平洋》(2026)。DOI: 10.1016/j.lanwpc.2026.101808
【全文结束】
