Învățarea automată poate identifica pacienții cu insuficiență cardiacă în vârstă care riscă să piardă independența

Cum folosești potentialul J-Proof HF Registry?

Pentru adulții în vârstă cu insuficiență cardiacă (HF), părăsirea spitalului în viață nu înseamnă întotdeauna întoarcerea la o viață independentă. Pierderea independenței poate reduce calitatea vieții, crește povara îngrijitorilor și crește nevoia de îngrijire.

Cu toate acestea, cele mai multe abordări de prognostic se concentrează pe moarte sau re-hospitalizare, ceea ce face dificilă identificarea pacienților susceptibili de a supraviețui în timp ce pierd independența.

Adresând această provocare, o echipă de cercetare condusă de profesorul asistent Kanji Yamada de la Departamentul de Terapie Fizică, Facultatea de Științe ale Sănătății, Universitatea Juntendo, Japonia, inclusiv profesorul asociat Nobuyuki Kagiyama și profesorul special desemnat Tetsuya Takahashi, ambele din aceeași universitate, au analizat 6.382 de pacienți cu vârsta de 65 de ani sau mai mare care au fost spitalizați pentru HF, au primit terapie fizică și au fost independenți în activități înainte de admitere.

Folosind potentialul J-Proof HF Registry, au dezvoltat un model de creștere extremă a gradului (XGBoost) pentru a prezice întreținerea funcțională, scăderea funcțională sau moartea la 1 an de la eliberare. Studiul a fost publicat online în Journal of Cardiac Failure pe 20 august 2026. Echipa a folosit 77 de predictoare.

Modelul a inclus evaluări efectuate de terapeuții fizici la eliberare, inclusiv viteza maximă de mers pe jos, bateria de performanță fizică scurtă (SPPB), rezistența de ținere a mâinii și indicele Barthel (BI), precum și fragilitatea de preadmisie măsurată prin Kihon Checklist (KCL).

Un model parsimonios Top-10 a fost evaluat folosind validarea închisă Leave-one-site-out și comparat cu scorurile bazate pe KCL. La un an, 2.076 de pacienți au experimentat scădere funcțională și 928 au murit, în timp ce 3.378 au menținut independența funcțională. Modelul Top-10 XGBoost a depășit semnificativ scorul modificat KCL și scorul total KCL.

Viteza de mers, scorul KCL de preadmisie, BI de evacuare și SPPB au fost printre predictorii influenți, cu o importanță predictivă mai mare decât măsurile cardiace, cum ar fi fracția de ejecție. A fi capabil să trăiască independent este la fel de important pentru mulți pacienți ca și cât de mult trăiesc.

Care sunt predictorii cheie pentru pierderea independenței?

Descoperirile noastre arată că funcția fizică la eliberare poate dezvălui un risc pe care modelele axate pe mortalitate îl pot ignora, identificând pacienții care sunt susceptibili să supraviețuiască dar care pierd independența.

Kanji Yamada, profesor asistent, modelul a identificat patru fenotipe de risc prin combinarea riscurilor previzibile de declin funcțional și mortalitate.

Mai ales, un grup cu mortalitate scăzută/ declin ridicat de 1.732 de pacienți a avut o rată de declin funcțional de 57%, în ciuda unei probabilități de supraviețuire de 89% la un an.

Identificarea acestui grup ar putea ajuta profesioniștii medici să pună în prioritate sprijinul după eliberare, inclusiv reabilitarea mai intensivă la domiciliu. În loc să ne întrebăm doar dacă un pacient va supraviețui, trebuie să ne întrebăm dacă va putea să mențină viața pe care o prețuiesc după ce va fi eliberat.

O estimare practică a riscurilor ar putea ajuta clinicii și pacienții să discute mai devreme despre nevoile de reabilitare și să facă o mai bună utilizare a resurselor limitate.

Pentru a sprijini utilizarea clinică, cercetătorii au dezvoltat un prototip de aplicație web care estimează riscul individual la eliberare și simulează modul în care schimbările în funcția fizică, cum ar fi viteza de mers mai rapidă, pot afecta riscul prevăzut.

Aplicația este un prototip, iar sunt necesare studii de implementare pentru a determina dacă deciziile orientate prin modele îmbunătățesc rezultatele pacientului.