心力衰竭高风险患者的临床图片

医学信息学解锁26（2021）100752绘制具有高死亡率风险的心力衰竭的临床图片Tanya Mohammadia，Babak Mohammadib，*a德黑兰大学理学院数学、统计和计算机科学学院，伊朗b伊朗独立研究员A R T I C L EI N FO关键词：心力衰竭队列死亡风险关联规则糖尿病临床表现A B S T R A C T背景：危险分层可以指导心脏病患者的治疗。我们的目的是提供临床规则，以确定患者的高风险死亡，由于心力衰竭。方法：该研究是对社区队列研究数据的二次分析，2007年10月至2011年12月在美国。总共纳入了425例心力衰竭成人患者（180例女性）。受试者的平均（SD）年龄为73 - 15（13 - 1）岁，受试者已被随访2年。结局是死亡率，预测因子是各种人口统计学、临床和实验室变量。结果：我们在样本中识别出两组具有不同生存概率的患者（P <0.001），并定义了识别高死亡风险患者的临床规则。<关联规则挖掘显示，糖尿病是心力衰竭患者死亡率的一个很强的单独风险（支持度=38.4%，置信度=100%，提升率= 1.9%）。此外，年龄、性别、收缩压、估计肾小球滤过率等类别的组合心率、左心室射血分数、血清钠、血尿素氮、心力衰竭的原因（缺血性与非缺血性）、糖尿病和利钠肽增加能够识别有死亡风险的患者。结论：不同的危险分层方法提供了不同的临床图片集。我们将结果作为所有医疗保健专业人员均可访问的临床图片集呈现。临床图片支持识别具有高死亡风险的心力衰竭患者1. 介绍改善个人的医疗保健需要预测未来发生特定事件的风险或存在某种健康相关结果[1]。理想情况下，准确的风险预测是基于大型队列或横断面研究[2]。对问题的深入理解和对数据的彻底探索对于找到应对医学风险分层挑战的解决方案是必不可少的[3]。通常，预后模型是用比率、系数和概率来指定的。这些数据对指导管理决策、预防疾病和改善公众健康具有重要价值。然而，在他们的日常实践中，医疗保健专业人员基于临床图片及其动态而不是风险和优势比的改变来管理患者。临床医生强调直觉和经验作为非分析性解决问题技能（包括记忆中的信息检索）以及分析性推理方法的重要性，以评估临床证据[4，5]。任何支持这两种认知能力的预测建模工具都可能消除临床医生和建模者，并解决不一致性。文献中报告了大量用于预测各种目标人群中不同心血管事件风险的预后模型[6然而，我们远未就临床上使用的最实用模型达成共识[6，9，10]。不同的研究将各种预测因素纳入其心血管风险模型，包括人口统计学、临床和实验室检查。结果[10二元和Cox比例的Logistic回归分析事件发生时间结局的理性风险回归是两种更常见的 使用 技术 为 临床 建模 [13 ]第10段。 方法预测死亡率通常需要比较死亡患者与存活患者的数据。死者的数据被认为是识别有死亡风险的患者的自然信息来源。然而，经历过特定事件的人只是以前有过该事件风险的人的一个子集。我们进行这项研究，以提供临床规则，确定患者的死亡风险高，由于心力衰竭（HF）。数据来自一项已知的美国HF队列研究。我们使用了两* 通讯作者。 伊朗德黑兰市Kargar街24号东巷41号5单元，邮政编码：1437696156。电子邮件地址：mohammadi. ut.ac.ir（T. Mohammadi），babakmohammadi.md @ gmail.com（B. Mohammadi）。https://doi.org/10.1016/j.imu.2021.100752接收日期：2021年7月7日;接收日期：2021年9月25日;接受日期：2021年9月30日2021年10月4日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuT. Mohammadi和B. Mohammadi医学信息学解锁26（2021）1007522=（X）P（Y）∑deg =-∑=dij∑eigeig=无监督学习技术（聚类和规则挖掘），以识别有死亡风险的患者，并以关联规则的形式然后，我们比较了从有死亡风险的患者的数据与死亡患者的规则数据我们假设两种患者选择方法会产生不同的临床图片集2. 患者和方法2.1. 设计这项研究是对2007年10月至2011年12月在美国进行的社区队列研究数据的二次分析。Jani等人招募了明尼苏达州东南部三个县的HF成人患者，以筛查抑郁症患者[14]。他们估计了两年内死亡和首次住院的风险，并报告说，增加抑郁症并没有实质性地改善他们模型的表现。他们将这些数据以补充文件的形式免费提供给公众。我们分析了数据，并试图使用机器学习和统计方法提取心力衰竭的临床意义。我们没有对参与者进行测量，也没有获得识别信息。2.2. 数据我们从https://journals.plos.org/ploson e/article/asset？唯一ID信息：doi/10.1371/journal.pone.0158570。s002（访问日期：2021年4月3日）。这是一个Microsoft EX cel电子表格，有425行和16列。数据包括年龄、性别（男性）、抑郁评分、收缩压（SBP）、估计肾小球滤过率（eGFR）、左心室射血分数（EF）、血清钠（Na）、血尿素氮（BUN）、心力衰竭原因（缺血性vs.非缺血性）、既往糖尿病（是或否）、B型利钠肽或N末端B型利钠肽前体测量值的变化（增加（IBNP）或未增加）、死亡（是或否）、至死亡时间（天）、住院治疗（是或否）和至住院治疗时间（天）。总之，在抑郁量化的30天内测量了SBP（mmHg）。计算eGFR（mL/min/1 × 73 m2），所依据的 方程， 改性 肾脏的饮食奥地利. https://www.R-project.org/）上提供。我们使用stat包进行聚类分析，使用survival和survminer进行生存分析，使用arules和igraph进行规则挖掘。此外，各种其他包用于进行分析（例如，tidyverse）。2.3.1. 数据离散化使用众所周知的临床临界值对连续属性进行离散化。我们将年龄离散化为三个频率几乎相似的类别：[21，70]，[70，81]，[81，99]。此外，SBP分为三种基于120-149 mmHg的参考范围心力衰竭患者SBP与死亡率相关性研究[17]。 对于eGFR和EF，数据分为两个区间，截止值分别为60mL/min/1 × 73 m2 [18，19]和40%[20];和对于钠，基于138-141 mmol/L区间考虑了三个类别 对于BUN，患者的心脏[22我们决定将BUN离散化为三个水平，使用30作为下限，40 mg/dL作为上限临界值[22]。2.3.2. 聚类聚类帮助我们检测数据中的患者亚组。我们通过缩放到[0，1]的区间来归一化数值数据。对于聚类分析，我们使用了一个层次聚类算法与欧几里德距离使用ward.D方法。然后，我们用对数秩检验比较了这些亚组的死亡风险。对数秩检验是比较样本生存分布的假设检验。这是一种非参数检验，适用于数据右偏和删失的情况.在聚类分析的最后，我们根据死亡风险对人群进行了两次抽样：低风险组和高风险组。2.3.3. 规则提取我们使用Apriori算法从X → Y形式的临床和实验室结果集合中生成规则[25]。每个规则都规定，如果X（前件或左手边-LHS）存在，则Y（后件或右手边-RHS）也存在。在我们的研究中，前因是频繁的发现集，后因是死亡风险类别。我们根据数据驱动的指标对提取的规则的兴趣度进行排名。对规则的支持定义为所有患者中X发现和Y死亡风险的比例，P（XY）。置信度是X患者的百分比，有Y，P（X<$Y）。提升是Y风险的概率增加，如果X集疾病研究[15，16]使用一年内最接近的血清肌酐P（X）P X Y抑郁症评估。对于EF，记录了诊断HF时的超声心动图结果。在抑郁症测量的一年内评估了血清Na（mmol/L）、BUN（mg/dL）、B型利钠肽（pg/mL）和N末端B型利钠肽原（pg/mL）。对于最后两项测量，增加值定义为B型利钠肽大于400 pg/mL或N-末端B型利钠肽前体大于450、900和1800 pg/mL，年龄分别为50、50所有原因造成的死亡和住院均使用死亡证明和医疗记录进行记录。2.3. 预处理和分析除抑郁评分、至死亡时间、住院时间和至住院时间外，所有特征均纳入主要分析。我们使用聚类分析来确定患者的亚组，[26]这是一个非常重要的发现，P（？）在本文中，我们描述了每个临床上感兴趣的规则为X→ Y（支持度;置信度;提升）。2.3.4. 图构建我们使用了提取规则的图形可视化，其中节点是临床表现，边缘是一对发现之间的关系。两种表现之间的边缘表明它们存在于同一患者中。规则被表示为连接到带有箭头的发现的节点。这种表示允许我们估计网络中心性度量，包括中位度、接近度、特征向量和介数。节点的度中心性是连接到它的边的数量的计数。N节点j。那么，节点的度是C（i）k ia ij，其中N是j=1节点数。接近中心性表示到网络中所有其他节点接近中心性是他们的临床特征有相似之处，然后，（二）1亚组在随访期间的死亡风险。接下来，我们对数值进行分类和二进制编码，并搜索患者特征之间的有趣关系和依赖性和死亡率风险的关联规则挖掘。用R软件4.0.2版进行分析和可视化，一 个 免 费 的 环 境 ， 以 其 统 计 、 机 器 学 习 和 图 形 库 而 闻 名 （ RFoundation for Statistical Computing，Vienna，数学上定义为C iN，其中dij是距离be-j=1在节点i和j之间即，从i移动到j所需的最小链接数。一个节点具有高的接近中心性意味着它与许多顶点有密切的关系特征向量中心性是N一个节点的影响。 在数学上，λC（i）c（j）j=1T. Mohammadi和B. Mohammadi医学信息学解锁26（2021）1007523N1 N2=≥其中λ是比例常数。高分意味着一个节点连接到其他强连接节点。介数基于最短路径进行估计，并衡量节点位于其他节点之间的路径上。 介数中心性是NC（ibetw）=1∑σsd（i），其中σsd表示短-（-）（-）s，d=1σsds闪烁=d=闪烁est从源节点s到目的地节点d的路径，并且σsd（i）是包括节点i的那些路径的数目。3. 结果3.1. 样品总共有425名HF患者在评估抑郁症后接受了2年的随访。没有缺失或重复的数据，主要数据集。平均（SD）年龄、SBP、eGFR、EF、Na和BUN分别为73± 5 （13 ± 1 ） 岁 、123 ± 9 （ 23 ± 1 ） mmHg 、57 ± 1 （ 23.0）mL/min/1 ± 73m2、46 ± 0（16 ± 4）%、139 ± 1（3 ± 3）mmol/L和29 ± 3（15 ± 1）mg/dL。我们有245名（57 - 6%）男性，163名（38 -3%）糖尿病患者和303名（71 - 3%）IBNP患者。在181例（42 ± 6%）参与者中，缺血性事件被记录为心力衰竭的原因。总共有99例（23 ±3%）患者死亡，死亡患者的中位随访时间为345天。图1说明了本研究中的数据流。3.2. 聚类聚类显示两个亚组的人具有不同的生存概率（图1和2）。2和3）。第1组的预期死亡人数为54005人，第2组为44005人，Fig. 1. 数据流图。图二. 用于将数据聚类为两组的树状图。分别为0和99;对数秩检验统计量为122 4，P<<0.001。这表明聚类算法正确识别了HF死亡率的低风险（聚类1）和高风险（聚类2）两组（表1）。3.3. 规则我们使用已知的医学截止值对主要数据集的连续变量进行了离散化（见表1）。 通过先验算法-因此，我们提取了两组规则，一组规则的RHS为总体而言，风险规则更频繁（344 vs. 40），而死亡规则的LHS和电梯的尺寸较大（表2）。LHS的大小等于规则的LHS中的元素的数量。中位规则置信度的差异无统计学显著性。分析表明，风险规则网络的中位度和特征向量中心度显著低于风险规则网络，而贴近度显著高于风险规则网络。两个规则网络的介数中心性在统计上没有显著差异。表3显示了每个规则集中的前10条规则Also，AlzheidiX图图1和图2示出了两个提取的规则集的网络可视化。例如，在图1中，糖尿病通过一个大的高度阴影的圆圈与“风险=高”联系起来，表明糖尿病→高风险是一个具有很大支持和提升的对于风险规则，支持是糖尿病与一个元素LHS。糖尿病患者死亡率高，具有完美的规则信心。两者[70，81][21，70]年龄段出现在前10条规则中。此外，对BUN在7-20和超过20mg/dL的范围内以及极端血浆Na浓度（138和> 141 mmol/L）也有规定<。高支持风险规则显示，存在缺血性病因、SBP 120 mmHg、eGFR60mL/min/1 mmHg 73m2、EF 40和IBNP与更高的死亡风险相关。对于风险规则，LHS通常是两个或三个。对于死亡规则，具有四元素LHS的规则位于列表的顶部（表3）。没有一个单一的因素被认为与死亡密切相关。糖尿病伴发其他发现者出现数条规律。男性多见，[81，99]岁年龄段多见T. Mohammadi和B. Mohammadi医学信息学解锁26（2021）1007524≥图3.第三章。低风险和高风险患者群生存 概率的 Kaplan-Meier 曲线。表1低风险与高风险参与者的比较，以及存活与死亡患者的比较。收缩压（mmHg）eGFR（mL/min/1 × 73m2）EF（%）钠（mmol/L）BUN（mg/dL）122年9月（22年6月）59年9月（22年5月）44年4月（17年5月）139年3月（3年3月）25年9月（13年1月）人数（%）124年9月（23年5月）54年5月（23年2月）47年4月（15年3月）139年1月（3年3月）32年5月（16年2月）0⋅3740⋅0160⋅0620⋅530<0⋅001χ2检验P125年3月（23年5月）60分8秒（22分8秒）46（16岁）139年2月（3年2月）27（13岁）人数（%）119年3月（21年2月）45（19岁）45年9月（16年0月）139（3）36年9月（17年7月）0⋅017<0⋅0010⋅9650⋅704<0⋅001χ2检验P性女性92（44岁）88（40 2）0⋅403134（74 4）192（78岁）0⋅407男性114（55岁）131（59岁）46（25岁）53（21岁）缺血性没有138（67）106（48 4）<0⋅001197（80 7）129（71岁）0⋅030是的68（33岁）113（51岁）47（19岁）52（28岁）糖尿病没有二百零六（一百）56（25岁）<0⋅001206（78 6）120（73 6）0⋅285是的0（0）163（74 4）56（21岁）43（26岁）IBNP没有59（28岁）63（28岁）约1万美元104（85 2）222（73）0⋅012是的147（71岁）156（71）18（14岁）81（26年7月）死亡活着206（63 2）120（36 8）<0⋅001死0（0）九十九（一百）SD：标准差; SBP：收缩压; eGFR：肾小球滤过率估计值;EF：射血分数; Na：血清钠; BUN：血尿素氮; IBNP：B型利钠肽或N末端B型利钠肽前体升高。前10条规则对BUN> 20 mg/dL、eGFR60 mL/ min/1 ~ 73m2、SBP120或120<在高支持度规则列表中没有与Na相关的规则为在前十个死亡规则中，LHS的大小通常是4或5。4. 讨论我们的目的是提取临床规则，以确定患者在高风险的死亡率在HF。有死亡风险的参与者是通过聚集心力衰竭患者的样本来确定的。生存分析证实了两个聚类之间生存概率存在显著差异。然后，从数据中提取关联规则，将处于危险中的患者与从死亡患者中提取的规则进行比较，数据我们使用兴趣度指标和网络中心性统计数据，比较两套规则：风险与死亡规则。我们的研究结果表明，这两种方法产生了不同的临床图片集死亡规则比风险规则具有更大的LHS大小。这意味着死亡规则更一般，而风险规则更具体。一般规则更适用于广泛的临床问题。它们更流行病学，使临床判断更容易在日常实践中。与此同时，具体规则可以凌驾于一般规则之上。具体的规律更能揭示病理生理过程和隐藏的关系。它们适用于基础研究的概念化。风险规则有更多的支持，而死亡规则有更多的升降值。这些结果表明，风险规则更具有普遍性，死亡规则在预测结果方面更强节点度在风险规则网络中较小，表明临床发现与其他风险规则之间的联系数量特征亚组亚组低风险（n= 206）高风险（n= 219）平均值（标准差）t检验P存活（n= 326）死亡（n= 99）平均值（标准差）t检验P年龄（岁）72岁9（14岁0）74岁1（12岁3）0⋅32671岁8（13岁1）79（11岁8）<0⋅001T. Mohammadi和B. Mohammadi医学信息学解锁26（2021）1007525∈=-表2风险与死亡规则的比较边缘密度分别为0.03和0.07，这项研究的一个局限性是样本量小根据公式n=-2ln（c）评估样本量的充分性[27];对于和死亡规则。支撑ττ220%，支持ε的错误率为0 <$2，特 征 中位数（ IQR）兴趣度风险规则（n=344）死亡规则（n= 40）秩和W上的WilcoXP效应规模（%）在80%的情况下，我们需要至少402个然而，为了在τ和c相同的情况下将ε降低至0 μ 1，需要1600例心力衰竭因此，这种方法对样本的大小，以及更大样本量的研究将建立LHS尺寸4 [4，5] 5 [4，6] 3494 00 001 49这种方法在其他医学分支中的好处。这...支持0 02 [0 01，0 02]置信度0 <$86[0 <$83，0101[0101]，[2019 - 02 -02]0分84秒[0分83秒，9223⋅50⋅001 347924⋅5 0⋅110 15连续属性的离散化是规则挖掘的一个预处理步骤，电梯1美元]1966年[1962年]，[1页94][0787]3.60[3.58，[376]0⋅00⋅001 100人的理解[28]。我们使用临床确定的临界值，离散化数据。与此同时，一些切断是有争议的，是社区特有的。这并不局限于规则挖掘[29];然而，网络统计5度[4，6]6 [5，7]2570 0<0⋅001 32问题可能会在小样本中被放大。亲密度0分47秒[0分47秒，0分46秒[0分43秒，5420⋅00⋅001 43这项研究的结果与以前的结果是一致的。特征向量介数[0分47秒]0分14秒[0分12秒，[18]18年52日[13年68日，25年94日][0分47秒]0分27秒[0分20秒，[0434]17年43日[10年61日，31年32日]1367⋅5 0⋅001 644035⋅0 0⋅461 7HF或其死亡率的危险因素研究。一项对苏格兰糖尿病患者（n 10，532）和非糖尿病患者（n 21，056）进行的12年随访研究表明，每个年龄和性别组的糖尿病患者的绝对死亡率都较高。这与风险规则1一致，即糖尿病是一种强烈的单独死亡风险风险规则2显示BUN> 20 mg/dL的患者风险增加在网络中的表现更小。这与风险规则中较小的LHS兼容。在风险网络中，紧密度更大，变化更小。节点间的紧密度越高，表明节点间的独立性越强。这可能是因为在风险网络中，每种表现都有更多的独立预后价值。然而，在死亡网络中，几种表现一起显示出显著的预后作用。例如，在风险规则中，糖尿病单独与死亡风险显著相关;这是一个众所周知的临床声明。特征向量中心性在风险规则中也较低。特征向量用于衡量网络中节点的影响力。如果一个节点与其他重要节点相连，则该节点被视为重要节点。死亡规则中更高的特征向量中心性意味着显化通过连接到更有影响力的显化而获得重要性。这可能表明共同的病理生理途径的表现。他们经历了缺血性事件。动脉粥样硬化患者的肾功能通常受损。在一项对1521例外周动脉闭塞性疾病患者的横断面研究中，研究人员认为BUN升高与严重肢体缺血和其他血管疾病的高风险显著相关[30]。他们报告称，BUN17 ± 7 mg/dL被确定为最佳临界值严重肢体缺血、心肌梗死和充血性心力衰竭在BUN>17 ± 7 mg/dL时更常见风险规则3规定，年龄在70至81岁之间的患者，SBP<120 mmHg和eGFR60 mL/min/1 × 73m2的患者死亡风险增加据报道，约50%的HF患者也有慢性肾脏疾病[31]，低血压与中度至重度慢性肾脏疾病患者的高死亡率相关[32]。我们的研究表明，>141人也有死亡风险（风险规则4）。研究人员调查-在一个队列中，表3LHS来自前10组风险和死亡规则，用简单的英语表达，并按支持，然后是信心，然后是提升的顺序排序风险规则（RHS：1糖尿病患者2BUN> 20和缺血性病因的患者8例0 82例9 1例63年龄在70 - 81岁之间、SBP 120和eGFR60 5 μ 6 80 μ 0 1 μ 6的患者4Na> 141且BUN在7至20之间的患者5年龄在21 - 70岁之间，EF≥ 40%，缺血性病因4例9 84例0 1例66年龄在70至81岁之间、eGFR 60和缺血性病因的男性7年龄在70 - 81岁之间、SBP 120和缺血性病因的男性8eGFR 60，Na> 141，BUN在7-20之间的患者9EF≥ 40%、BUN> 20和缺血性病因的患者10eGFR 60、Na 138、缺血性病因和IBNP升高的患者4例783例31例<死亡规则（RHS：1SBP> 120、BUN> 20、缺血性病因和IBNP升高2年龄在81岁至99岁之间的男性，EF 40%，糖尿病2例1 81例8 3例5<3年龄在81 - 99岁之间，SBP在120 - 149之间，eGFR 60，缺血性病因为2 - 81 - 83 - 55的男性4年龄在81 - 99岁之间，eGFR 60，EF 40%，糖尿病1例88例93例88<5年龄在81 - 99岁之间、SBP在120 - 149之间、eGFR 60、缺血性病因和IBNP增加的男性1例88例93例6年龄在81 - 99岁之间，SBP 120，eGFR 60，糖尿病1 - 9 - 80 - 0 - 3 - 47年龄在81至99岁之间、eGFR 60、非缺血性病因和糖尿病的患者8年龄在81 - 99岁之间，SBP> 120，BUN> 20，缺血性病因1 × 6 × 100 × 4 × 3的患者9年龄在81 - 99岁之间，EF≥ 40%，BUN> 20，缺血性病因，无糖尿病的患者1例6 87例5 3例810SBP> 120、EF> 40%、BUN> 20和缺血性病因的男性1例687例538例 141 mEq/L（>141 mmol/L）组死亡率较高风险规则5表明，年龄在21 - 70岁之间、左心室EF 40%（中等范围或保留EF）和HF缺血性病因的患者死亡风险较高。EF保留（EF）的HF患者比例有增加的趋势>50%）[34]。总的来说，研究表明，EF降低更接近于与心血管死亡率相关。然而，在全因死亡率方面，EF降低和保留之间没有很大差异[34风险规则5代表一组具有中等范围或保留EF的人。因此，风险规则5的排名更高似乎是合理的（基于支持值）比规则包括EF 40%。<一项对2039例HF患者的研究显示，中等范围或EF保留的患者与EF降低的患者相比更高（29%+ 39% vs.42%）[36]。年龄在70 - 81岁之间、eGFR60 mL/min/1 × 73m2和缺血性病因的男性是风险规则6的LHS成员。男性中的衰老和致动脉粥样硬化因素对GFR有降低作用[37]。入院时低eGFR是独立预测因子急性心力衰竭的死亡率，并与较低的血红蛋白、IBNP和糖尿病相关（死亡规则4）[19]。eGFR <<60 mL/min/1 × 73 m2 st段抬高心肌梗死[38]与死亡率较高有关。研究表明，IBNP（风险规则10）与心力衰竭患者心血管死亡率增加相关[11，34]。在文献中分散报道的临床发现与我们规则的组成部分之间有显著的相似性。然而，应该注意三点：首先，关联规则的优点在于将知识与临床图片一起表示为伴随疾病表现和合并症的集合;其次，第二，在文献中很难找到关于三个或更多患者特征之间的关联的报告规则挖掘已被用于医学领域的各种问题，包括生活方式调查，心脏病学，传染病，药理学，泌尿学和生育能力评估，癌症和身体健康[25]。在一项诊断研究中，研究人员使用规则挖掘来识别心脏病学中的健康与患病（根据他们的术语）人群[26]。他们列举了七条规则，置信度值，使用Apriori算法。虽然他们在文章中陈述了技术问题，但他们没有定义“生病“或“胸部不适”。”在社区的客户（这里，医生）。据我们所知，文献中没有基于我们的行动序列的研究报告，以解决心力衰竭数据中规则挖掘的预后评估。我们将我们的发现报告为与高死亡风险相关的心力衰竭表现的星座。通过召回另一名表现出类似表现的患者来管理患者的医疗保健提供者正在使用基于病例的推理[39]。每个综合征组的表现是记忆作为一个临床图片与其相应的诊断或预后结果。基于案例的推理允许在不确定性的背景下，当没有病理生理因果关系链时，对解决方案进行评估;它使实践者能够评估定义不清的情况[40]。此外，基于案例的推理可以用于数据处理算法的参数选择[41]。本研究中提取的规则的LHS包括在患者预后中起主要作用的变量的名称。文献中有关于将基于案例的推理应用于新颖性检测的报告[42]。我们的研究还表明，可能存在的变量之间的关系，提示可能的病理生理过程或共同的起源。它们很容易在基本的比如遗传学研究。使用基于相似性的病例检索可以记住正确的临床图片[39]。基于案例的计算机系统将分类或聚类算法应用于机器可读数据集，并发现案例之间的相似性。我们使用Apriori算法将机器可读的数据集转换为人类和机器都可读的知识（规则）库。其结果可以直接用于实践者在基于案例的学习或可以使用的机器在符号规则为基础的推理。总体而言，我们推荐我们的方法用于预后研究。5. 结论我们的研究对临床医生和数据分析师有意义。我们确定了HF患者样本中的聚类，然后定义了用于识别高死亡风险患者的临床规则。糖尿病是HF患者死亡的一个很强的单独风险。此外，年龄、BUN、SBP、eGFR、EF、Na、HF病因和IBNP类别的不同组合可以识别存在死亡风险的HF患者。各种计算方法，包括无监督技术，被用来从数据中提取知识。然而，使用规则挖掘工具，我们将结果作为所有医疗保健专业人员都可以访问的临床图片集。任何具有非分析或分析推理技能的读者都可以有效地解释这些证据。通常，预后建模技术需要在预测因子之间缺乏依赖性。尽管如此，医生们还是寻找临床表现之间的联系来识别综合征实体。有时候，我们需要用综合工具来支持临床医生将证据转化为一个完整的疾病实体，而不是通过分析将疾病的整体性简化为一系列独立的变量。关键信息计算方法使我们能够指定临床图片识别HF患者谁是死亡的高风险关联规则挖掘在疾病实体研究中具有提取临床图像的潜力。临床图像支持基于病例的推理来评估预后。糖尿病是HF患者死亡的一个很强的单独风险。年龄、性别、BUN、SBP、eGFR、EF、Na、HF病因和IBNP类别的不同组合可以识别存在死亡风险的HF患者。对患者进行风险分层的不同方法提供了不同的临床图片集。数据共享数据可在www.example.com上获得https://journals.plos.org/plosone/article/asset?唯一ID信息：doi/10.1371/journal.pone.0158570.s002。作者贡献两位作者进行了文献综述，并对研究思路、概念、设计、分析和计算机编程、结果解释、起草和最终批准手稿做出了贡献。资金支持这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的·····T. Mohammadi和B. Mohammadi医学信息学解锁26（2021）1007528竞合利益提交人声明，他们没有利益冲突。确认我们要感谢Jani等人。分享他们的数据。附录A. 补充数据本文的补充数据可在https：//doi网站上找到。org/10.1016/j.imu.2021.100752。引用[1] Moons KG，Hooft L，Williams K，Hayden JA，Damen JA，Riley RD.在Cochrane中实施预后研究的系统评价。Cochrane数据库系统修订版2018;10：ED000129。[2] [10]李国平，李国平.样本量对临床预测模型风险评分稳定性的影响：心血管疾病病例研究。 Diagn Progn Res 2020;4：14.[3] HaydenJA，Cote P，Bombardier C.预后研究质量的评价系统评价《内科学年鉴》 2006;144：427-37。[4] Vanstone M，Monteiro S，Colvin E，Norman G，SherbinoJ，Sibbald M，DoreK，彼得斯湾经验丰富的医生对临床推理中直觉的描述：类型学。诊断（Berl）2019;6：259-68。[5] Daly P.，《临床推理简明指南》（A Concise Guide to Clinical Reasoning）24.第24章：你是谁？[6] [10] Ludwig F，Cicciarella Modica D，Macino M，Palombi L，Abbondanzieri A，Agosti G，Biondi G，Morciano L，Vinci A.风险可以预测吗？心血管疾病、糖尿病和高血压风险预测模型的系统综述。BMJ Open2019;9：e030234.[7] Damen JA，Hooft L，Schuit E，Debray TP，Collins GS，Tzoulaki I，LassaleCM，Siontis GC，Chiocchia V，Roberts C，Schlussel MM，Gerry S，BlackJA，Heus P，vander Schouw YT，Peelen LM，Moons KG.普通人群心血管疾病风险的预测模型：系统综述 BMJ 2016;353：i2416.[8] AkyeaRK，Leonardi-Bee J，Asselbergs FW，Patel RS，Durrington P，Wierzbicki AS，Ibiwoye OH，Kai J，Qureshi N，Weng SF. 二级预防中主要心血管不良事件的预测：风险预测模型的系统评价和Meta分析方案。BMJOpen2020;10：e034564.[9] Siontis GC，Tzoulaki I，Siontis KC，Ioannovich JP.心血管疾病风险预测模型的比较：系统综述BMJ 2012;344：e3318.[10] 柯林斯博士，汤普森AC，Onakpoya IJ，罗伯茨N，沃德AM，Heneghan CJ。成人心血管疾病一级预防中的全球心血管风险评估：系统综述的系统综述 BMJ Open2017;7：e013650.[11] Ruwanpathirana T，Owen A，Reid CM.心血管疾病风险预测研究进展。2015;33：62[12] WilsonPW，DallongevilleJ，Goto S，Hirsch AT，Liau CS，Ohman EM，Rother J，Reid C，Mas JL，Steg PG，Registry R. 预测心血管疾病复发的国际模型疾病 美国医学杂志2012;125：695-703。 e691。[13] Moons KG，Altman DG，Reitsma JB，Ioannovich JP，Macaskill P，Steyerberg EW，Vickers AJ，Ransohoff DF，Collins GS.个体预后或诊断的多变量预测模型（TRIPOD）的透明报告：解释和详细说明。Ann Intern Med2015;162：W1-73.[14] Jani BD，Mair FS，Roger VL，Weston SA，Jiang R，Chamberlain AM.抑郁症与心力衰竭共病：一项社区队列研究。PLoS One 2016;11：e0158570.[15] Levey AS，CoreshJ，Greene T，MarshJ， Stevens LA，Kusek JW，Van LenteF，C. 慢性肾脏病流行病学，表示肾脏病研究中的饮食改良，用于估计肾小球滤过率，标准化血清肌酐值。 临床化学2007;53：766-72.[16] Levey AS，CoreshJ，Greene T，Stevens LA，Zhang YL，Hendriksen S，KusekJW，VanLente F，C.慢性肾脏病流行病学，使用标准化血清肌酐值在肾脏病饮食改良研究方程中的应用估计肾小球滤过率。 《内科学年鉴》2006;145：247-54。[17] Vidan MT，J. H，Wang Y，Schreiner G，Ross JS，ChenJ，Krumholz HM.老年人入院时收缩压与死亡率的关系心力衰竭患者。 Eur J Heart Fail 2010;12：148-55.[18] 国家肾脏基金会K/DOQI慢性肾脏疾病临床实践指南评估、分类和分层。 美国肾脏病杂志2002;39：S1-266。[19] 张文，张文. 估计肾小球滤过率是急性心力衰竭患者死亡率的独立预测因子。JCardiol 2010;55：317-21.[20] Yancy CW， Jessup M， Bozkurt B， ButlerJ， Casey Jr DE， Drazner MH，Fonarow GC，Geraci SA，Horwich T，Januzzi JL，Johnson MR，Kasper EK，Levy WC，Masoudi FA，McBride PE，McMurrayJJ，Mitchell JE，PetersonPN，Riegel B，Sam F，Stevenson LW，Tang WH，Tsai EJ，Wilkoff BL. 2013年ACCF/AHA心力衰竭管理指南：执行摘要：美国心脏病学会基金会/美国心脏协会工作组关于实践的报告指南 循环2013;128：1810-52。[21] Ferreira JP，Girerd N，Duarte K，Coiro S，McMurray JJ，Dargie HJ，PittB，Dickstein K，Testani JM，Zannad F，Rossignol P. I. 高危心肌梗死数据库倡议，急性心肌梗死和射血分数降低心力衰竭患者血清氯和钠的相互作用：来自高危心肌梗死数据库倡议的分析10.第10集[22] KhouryJ，Bahouth F，Stabholz Y，Elias A，Mashiach T，Aronson D，AzzamZ