机器学习驱动的转甲状腺素蛋白淀粉样心肌病风险预测模型

重要性：转甲状腺素蛋白心脏淀粉样变（ATTR-CM）与不良预后及显著的发病率和死亡率相关，然而现有的分期系统在当代患者群体中准确预测结局的能力有限。目的：为ATTR-CM患者开发并验证一种基于机器学习（ML）的预后模型。设计、设置与参与者：这项多中心队列研究，包括心脏淀粉样变的专门转诊中心，使用了瑞士心脏淀粉样变登记处（2018年2月至2025年11月）和维也纳医科大学心脏淀粉样变登记处（2014年7月至2025年2月）确诊的ATTR-CM患者的数据。开发了一种随机生存森林模型，并通过内部-外部交叉验证进行评估，每次将一个中心留出进行验证。将该模型与国家淀粉样变中心和梅奥诊所分期系统进行比较。数据分析于2025年12月至2026年2月进行。暴露：使用临床、人口统计学、用药、实验室和超声心动图变量来训练基于ML的时间-事件预测模型。主要结局和措施：主要结局定义为全因死亡和因心力衰竭住院的复合事件。结果：共纳入850名患者（中位[IQR]年龄，79 [74-83]岁；750 [88.2%]名男性），来自3个队列（瑞士伯尔尼[Bern-Swiss队列]，n=352；瑞士其他中心合并[Other-Swiss队列]，n=260；奥地利维也纳[Vienna队列]，n=238）。随机生存森林模型在所有留出队列中均显示出良好的区分度，Bern-Swiss、Other-Swiss和Vienna队列的Harrell一致性指数分别为0.74（95% CI，0.69-0.78）、0.77（95% CI，0.69-0.83）和0.72（95% CI，0.67-0.77），3年曲线下面积（AUC）分别为0.73（95% CI，0.66-0.80）、0.80（95% CI，0.70-0.88）和0.75（95% CI，0.67-0.83）。与国家淀粉样变中心和梅奥诊所分期系统相比，该模型显示出更好的区分度，跨队列和评分系统的Harrell一致性指数高出2%至10%，3年AUC改善范围为3%至19%。校准在队列和时间点上总体可接受。在接受疾病修饰治疗的亚组患者中，模型性能保持令人满意。可解释性分析确定了临床上合理的风险驱动因素。结论与相关性：基于ML的时间-事件预测模型在ATTR-CM患者中显示出有前景的预测性能，并与已建立的分期系统相比表现出更好的区分度，支持其用于个体化预后判断的潜力。