心力衰竭是心脏无法将血液正常泵送到全身的统称，目前对心力衰竭进行分类的方法无法准确预测疾病的进展情况；在这项研究中，研究人员分析了超过300,000 名30 岁及以上患有心力衰竭20 年的患者的匿名患者数据。研究人员使用多种机器学习方法，确定了心力衰竭的五种亚型，包括早发性、心房颤动相关的晚发性、代谢性和心脏代谢性。
研究者发现，不同亚型患者在诊断后一年内的死亡风险不同，一年内全因死亡风险如下：早发（20%）、晚发（46%）与心房颤动相关纤颤。 (61%)、代谢型(11%) 和心脏代谢型(37%)。然后，他们开发了一个应用程序，临床医生可以使用该应用程序来识别心力衰竭患者的亚型，从而可以更准确地预测个体未来的疾病风险并与患者讨论这些信息。 Amitava Banerjee 教授说：“我们正在努力改进心力衰竭的分类，以便更好地了解疾病的可能病程并向患者传达信息。目前，患者很难预测疾病会如何发展，有些人的病情会稳定多年，有些人会很快恶化。
更好地区分不同类型的心力衰竭可能会导致更有针对性的治疗或帮助研究人员重新审视可能的治疗方法。在这项研究中，研究人员使用多种机器学习方法和多个数据库确定了五种可靠的心力衰竭亚型。下一步，研究人员想要分析一种检测心力衰竭的方法是否会对患者产生真正的影响，即它是否可以改善风险预测和临床医生提供的信息质量，以及它是否可以改变治疗。患者；研究作者还需要知道它是否具有成本效益，他们开发的应用程序应该在临床试验或进一步研究中进行评估，但它可能有助于常规治疗。
为了避免由单一机器学习方法引起的偏差，研究人员使用四种独立的方法对心力衰竭病例进行分组，他们将这些方法应用于代表英国普通人群和与医院人群相关的两个主要英国初级保健数据库的数据。住院和死亡记录。这些数据库包括涵盖1998 年至2018 年期间的临床实践研究数据通道(CPRD) 和健康改善网络。
然后，研究人员在数据块上训练了一个机器学习工具(http://www.maoyihang.com/sell/l_5/)，一旦他们选择了最强大的子类型，他们就能够使用单个数据集测试这些组。这些亚型由87 个（可能是635 个）因素决定，包括年龄、症状、与其他疾病的关联、患者正在服用的药物以及测试结果（例如血压）和评估（例如肾功能）。此外，研究人员检查了英国生物银行9,573 名心力衰竭患者的基因数据，发现心力衰竭的某些亚型与高血压和心房颤动等高血压风险的多基因标记有关（由于共享基因风险）。可能有一定的相关性。
