這項研究目標是建立一種基於機器學習(ML)的風險分層係統，從而根據心髒再同步治療(CRT)患者的植入前參數預測1年、2年、3年、4年和5年全因死亡率。

        使用包含1510例CRT植入患者的回顧性數據庫對多個ML模型進行訓練，以預測1至5年全因死亡率。選擇了33個植入前臨床特征來訓練模型。在一個包含158例患者的獨立隊列中，對表現最佳的模型[SEMMELWEIS-CRT評分(對CRT植入患者進行機器學習的個體化死亡風險評估)]和既往評分(西雅圖心衰模型、VALID-CRT、EAARN、ScREEN和CRT評分)進行了測試。5年的隨訪期間，訓練隊列有805例死亡(53%)，測試隊列有80例死亡(51%)。在經過訓練的分類模型中，隨機森林的表現最佳。對於預測1年、2年、3年、4年和5年死亡率，SEMMELWEIS-CRT評分的受試者操作特征曲線下麵積分別為0.768 (95% CI: 0.674–0.861; P<0.001)、0.793(95%CI：0.718-0.867; P<0.001)、0.785(95%CI：0.711-0.859; P<0.001)、0.776(95%CI：0.703-0.849; P<0.001)和0.803(95%CI：0.733-0.872;P <0.001)。該模型的判別能力優於其他評分。

        SEMMELWEIS-CRT評分(可在semmelweiscrtscore.com上獲得)顯示出良好的判別力，可以預測CRT患者的全因死亡率，並且優於現有的風險評分。通過獲取預測因子的非線性關聯，使用ML方法有助於CRT植入最佳候選者的篩選和預後預測。