2012年，加利福尼亞大學圣地亞哥分校的杰出物理學博士Avi Yagil博士從歐洲飛回家中時，他認為自己的旅行使他感冒了。當“藥丸收集”不能改善他的癥狀時，他的妻子鼓勵他去看醫(yī)生。
進一步的測試顯示，相比普通感冒，對Yagil而言，生命威脅更大。“胸部X光檢查顯示我的肺部充滿了液體，隨后的超聲心動圖檢查發(fā)現(xiàn)我的心臟受到了損害。”
Yagil被診斷出患有心力衰竭。“加州大學圣地亞哥分校的健康心臟病學家試圖用藥物治療我的病情，但由于我的心臟難以維持生命，所有系統(tǒng)都出現(xiàn)了故障。”
2016年6月，Yagil接受了心臟移植。“我認為6月17日是我的第二個生日。”
當Yagil從手術中康復后，他開始考慮如何改善像他這樣的患者的手術過程。
他說：“在我的日常工作中，我使用機器學習來了解大量信息，粒子的測量以及它們如何相互作用。”“人體更加復雜，但是醫(yī)學界并未使用捕獲諸如實驗室測試和生命體征之類的測量結果與結果之間的多維關聯(lián)所需的技術。我們假設這種方法論和技術可以幫助改善心臟衰竭的心臟病患者的預后和治療。”
因此Yagil與他的醫(yī)生，心臟病學家，心臟移植和機械循環(huán)支持主管，醫(yī)學博士Eric Adler和加州大學圣地亞哥分校醫(yī)學院的杰出教授，高級心力衰竭治療計劃主任，醫(yī)學博士Barry Greenberg攜手合作，兩者都來自加州大學圣地亞哥分校健康中心心血管研究所。
“我們想開發(fā)一種可以預測心力衰竭患者預期壽命的工具，”阿德勒說。“有些應用程序中的算法會發(fā)現(xiàn)各種各樣的東西，例如要購買的產品。我們需要類似的工具來做出醫(yī)療決定。預測死亡率對心力衰竭患者很重要。但是，目前的預測風險的策略是只有適度的成功，并且可以是主觀的。”
奧爾德(Alder)，亞吉爾(Yagil)和格林伯格(Greenberg)以及由心臟病專家和物理學家組成的多元化團隊，基于UC San Diego Health的5,822名住院或非住院性心力衰竭患者的電子病歷數(shù)據(jù)的身份識別，開發(fā)了一種機器學習算法。
從該模型中，通過識別為大多數(shù)心力衰竭患者收集的八個容易獲得的變量，得出了確定低危和高危死亡的風險評分：
舒張壓
肌酐是尿中排出的一種氨基酸的肌酸的化學廢物。
血液尿素氮，蛋白質消化產生的廢物;腎功能指標
血紅蛋白，負責在血液中運輸氧氣的蛋白質
白細胞計數(shù)
血小板，一種血細胞，有助于形成凝塊以止血
白蛋白，一種肝臟產生的蛋白質，有助于保持血液中的液體，而不會滲入其他組織
紅細胞分布
Yagil表示，新開發(fā)的模型能夠準確地預測88%的預期壽命，并且比其他流行的已發(fā)布模型要好得多。結果在線發(fā)表在2019年11月12日的《歐洲心力衰竭雜志》上。
阿德勒說：“例如，該工具使我們能夠洞悉特定患者在未來三個月或一年內死于心力衰竭的可能性。”“這是非常寶貴的。它使我們能夠基于行之有效的方法做出明智的決定，而不必研究一個水晶球。”
此外，還使用來自加利福尼亞大學舊金山分校的患者身份數(shù)據(jù)以及來自11個歐洲醫(yī)療中心的數(shù)據(jù)庫對該工具進行了測試。Yagil說：“在這些人群中也很成功。”“能夠在獨立人群中重新利用我們的發(fā)現(xiàn)至關重要，從而驗證我們的方法論及其結果。”
格林伯格說：“風險評分的發(fā)展標志著我們向前邁出了重要的一步。”“我們不僅證明我們可以準確預測心力衰竭患者的結局，而且還能夠從UC San Diego Health的患者電子病歷數(shù)據(jù)庫中獲得分數(shù)。我們現(xiàn)在知道如何利用該數(shù)據(jù)庫解決其他問題對我們的患者至關重要的問題。”
