Machine learning methods, applications, and economic analysis to predict heart failure hospitalisation risk: a scoping review

Abstract

ABSTRACT - Background: Machine Learning (ML) has been transformative in healthcare, enabling more precise diagnostics, personalized treatment regimens, and enhanced patient care. In cardiology, ML plays a crucial role in risk prediction and patient stratification, particularly for heart failure, a condition affecting over 64 million people globally and imposing an economic burden of approximately $108 billion annually. ML applications in heart failure include predictive analytics for risk assessment, identifying patient subgroups with varying prognoses, and optimizing treatment pathways. By accurately predicting the likelihood of hospitalization and rehospitalization, ML tools help tailor interventions, reduce hospital visits, improve patient outcomes, and lower healthcare costs. Objective: To conduct a comprehensive literature review of existing machine learning models for predicting hospitalisation risk in individuals with heart failure. Methods: A database search including PubMed, SCOPUS, and Web of Science was conducted on March 31, 2024. Studies were selected based on inclusion criteria focusing on ML models predicting hospitalisation risks in adults with heart failure. The data from 27 studies meeting the criteria were extracted and analysed, with a focus on the predictive performance of the ML models and the presence of economic analysis. Results: The top-performing models for predicting 30-day heart failure hospitalization or readmission risk were Extreme Gradient Boosting with a mean AUC of 0.69, followed by Naïve Bayes Classifier with a mean AUC of 0.68, and Deep Unified Networks with a mean AUC of 0.66. For predicting 90-day hospitalization or readmission risk, the best results were achieved by the Least Absolute Shrinkage and Selection Operator (LASSO) model with a mean AUC of 0.75, followed by Gradient Boosting with a mean AUC of 0.75, and Random Forest with a mean AUC of 0.67. For predicting heart failure hospitalization or readmission risk over a nonspecific period, the highest performance was achieved by the Categorical Boosting model with a mean AUC of 0.88, followed by Generalized Linear Model Net and Extreme Gradient Boosting, both with a mean AUC of 0.79. Conclusions: Machine Learning holds substantial potential for improving heart failure care. However, further efforts are needed to enhance the generalizability of models, integrate diverse data sources, and evaluate the cost-effectiveness of these technologies.

RESUMO - Introdução: O Machine Learning tem vindo a ser transformador na área da saúde, possibilitando fazer diagnósticos mais precisos, tratamentos mais personalizados e prestar melhores cuidados de saúde. Na cardiologia, especialmente na insuficiência cardíaca, doença que afeta mais de 64 milhões de pessoas mundialmente e impõe um custo de aproximadamente 108 bilhões de dólares anuais, o ML tem vindo a desempenhar um papel crucial na predição de cenários de riscos e na otimização dos cuidados prestados. Ao prever com precisão a probabilidade de hospitalização e readmissão, os modelos de ML otimizam as intervenções clínicas, levando à prestação de melhores cuidados de saúde, e reduzem o número de internamentos, diminuindo os custos. Objetivo: Concretizar uma revisão abrangente dos modelos de machine learning existentes que preveem o risco de hospitalização em indivíduos com insuficiência cardíaca. Métodos: Em 31 de março de 2024, foi concretizada uma pesquisa nas bases de dados, PubMed, SCOPUS e Web of Science. Foram selecionados artigos com base nos critérios de inclusão. Foram extraídos e analisados dados dos 27 artigos selecionamos que cumpriam com os critérios. Resultados: Os modelos com a melhor capacidade de predição do risco de hospitalização ou readmissão por insuficiência cardíaca em 30 dias foram o modelo Extreme Gradient Boosting, com uma média de AUC de 0,69, seguido pelo modelo Classificador Naïve Bayes com uma média de AUC de 0,68, e o modelo Redes Neurais Unificadas Profundas com uma média de AUC de 0,66. Para a predição do risco de hospitalização ou readmissão em 90 dias, os melhores resultados foram alcançados pelo modelo LASSO, com uma média de AUC de 0,75, seguido pelo modelo Gradient Boosting com uma média de AUC de 0,75, e o modelo Random Forest com uma média de AUC de 0,67. Na predição do risco de hospitalização ou readmissão por insuficiência cardíaca em um período inespecífico, o melhor desempenho foi obtido pelo modelo Categorical Boosting, com uma média de AUC de 0,88, seguido pelo modelo Generalized Linear Model Net e pelo modelo Extreme Gradient Boosting, ambos com uma média de AUC de 0,79. Conclusões: O Machine Learning tem um potencial substancial para otimizar os prestados à pessoa com insuficiência cardíaca. No entanto, são necessários esforços adicionais para aumentar a adoção dos modelos e a integração de fontes de dados descentralizadas, não esquecendo a importância que a concretização de uma avaliação económica de custo-benefício têm no sustento dessa implementação tecnológica.