核心要点：
- 机器学习可识别先天性心脏病患者中面临连续护理中断风险最高的群体
- 关键影响因素包括社会健康决定因素与疾病复杂性
新奥尔良讯——社会健康决定因素与疾病复杂性是影响先天性心脏病护理连续性的关键因素，而新型人工智能模型或可帮助医生识别最高风险人群，一位研究者在报告中指出。
研究人员开发了机器学习模型，用于识别可能面临终身连续护理中断风险的先天性心脏病患者，并在美国心脏协会科学会议上公布了研究成果。
"在先天性心脏病领域，我们发现护理中断通常始于青少年时期。在我们的数据集中，10岁及以上的患者开始出现护理断层。我们可通过多种方式针对性地干预患者及家庭以减少此类中断，其中最重要的环节就是健康教育，"内莫尔斯儿童健康机构儿科心脏病专家、托马斯杰斐逊大学助理教授阿巴斯·H·扎伊迪博士向Healio表示，"若患者停止定期复诊，病情可能恶化却难以被及时发现。我们有多种途径可加强对家庭的健康宣教。"
研究团队使用2003至2020年间在跨州儿科专科中心接受手术的1746名先天性心脏病患者数据训练模型，同时将人口统计学信息、社会健康决定因素及邮政编码对应的儿童机会指数纳入分析。
"我们首先用数据库80%的数据训练模型，确保其理解护理中断的定义及识别方法，随后用剩余数据验证模型的预测能力，"扎伊迪解释道。所有患者年龄在0至34岁之间，护理中断定义为心脏病专科随访间隔超过3年。
据报告，该模型在识别持续随访患者方面表现优异：精准度达0.88，召回率达0.93，F1值为0.9。尽管模型整体性能良好（曲线下面积=0.728），但在识别存在护理中断的个体时表现有限（F1值=0.23）。
"我们确有提升空间，目前仍在优化模型，"扎伊迪表示。
研究发现影响患者随访的关键因素包括：距末次就诊时间、年龄≥10.5岁、医疗距离较远及白人种族/族裔。此外，先天性心脏病的复杂程度也显著影响护理中断可能性。
"若患者病情较简单，复诊意愿可能较低——这正是模型所反映的：简单型心脏病患者中断率最高。而病情较重、有症状或需定期复诊的患者通常保持随访，模型已确认这些因素的重要性，"扎伊迪向Healio透露。
研究者指出，尽管模型需进一步训练，但这些数据可为制定针对性策略提供依据，以最大限度减少先天性心脏病护理断层并改善长期预后。
"我们已开始与内莫尔斯社会健康决定因素团队合作，探索在心脏病患者的电子病历中更完善地收集相关数据，"扎伊迪表示，"机构正大力推动不仅采集这些指标，还需为患者提供明确的干预指导。随着模型持续优化，我们计划在电子病历系统中进行受控测试，验证其预测患者中断风险的能力并跟踪实际效果，这将是下一步关键工作。"
信息来源：
扎伊迪AH. 《从风险到响应：心血管护理中预防性及系统性策略的实施》. 美国心脏协会科学会议报告；2025年11月7-10日；新奥尔良.
披露声明： 扎伊迪表示无相关财务披露。
【全文结束】
