2012年，加利福尼亚大学圣地亚哥分校的杰出物理学博士Avi Yagil博士从欧洲飞回家中时，他认为自己的旅行使他感冒了。当“药丸收集”不能改善他的症状时，他的妻子鼓励他去看医生。

进一步的测试显示，相比普通感冒，对Yagil而言，生命威胁更大。“胸部X光检查显示我的肺部充满了液体，随后的超声心动图检查发现我的心脏受到了损害。”

Yagil被诊断出患有心力衰竭。“加州大学圣地亚哥分校的健康心脏病学家试图用药物治疗我的病情，但由于我的心脏难以维持生命，所有系统都出现了故障。”

2016年6月，Yagil接受了心脏移植。“我认为6月17日是我的第二个生日。”

当Yagil从手术中康复后，他开始考虑如何改善像他这样的患者的手术过程。

他说：“在我的日常工作中，我使用机器学习来了解大量信息，粒子的测量以及它们如何相互作用。”“人体更加复杂，但是医学界并未使用捕获诸如实验室测试和生命体征之类的测量结果与结果之间的多维关联所需的技术。我们假设这种方法论和技术可以帮助改善心脏衰竭的心脏病患者的预后和治疗。”

因此Yagil与他的医生，心脏病学家，心脏移植和机械循环支持主管，医学博士Eric Adler和加州大学圣地亚哥分校医学院的杰出教授，高级心力衰竭治疗计划主任，医学博士Barry Greenberg携手合作，两者都来自加州大学圣地亚哥分校健康中心心血管研究所。

“我们想开发一种可以预测心力衰竭患者预期寿命的工具，”阿德勒说。“有些应用程序中的算法会发现各种各样的东西，例如要购买的产品。我们需要类似的工具来做出医疗决定。预测死亡率对心力衰竭患者很重要。但是，目前的预测风险的策略是只有适度的成功，并且可以是主观的。”

奥尔德(Alder)，亚吉尔(Yagil)和格林伯格(Greenberg)以及由心脏病专家和物理学家组成的多元化团队，基于UC San Diego Health的5,822名住院或非住院性心力衰竭患者的电子病历数据的身份识别，开发了一种机器学习算法。

从该模型中，通过识别为大多数心力衰竭患者收集的八个容易获得的变量，得出了确定低危和高危死亡的风险评分：

舒张压

肌酐是尿中排出的一种氨基酸的肌酸的化学废物。

血液尿素氮，蛋白质消化产生的废物;肾功能指标

血红蛋白，负责在血液中运输氧气的蛋白质

白细胞计数

血小板，一种血细胞，有助于形成凝块以止血

白蛋白，一种肝脏产生的蛋白质，有助于保持血液中的液体，而不会渗入其他组织

红细胞分布

Yagil表示，新开发的模型能够准确地预测88%的预期寿命，并且比其他流行的已发布模型要好得多。结果在线发表在2019年11月12日的《欧洲心力衰竭杂志》上。

阿德勒说：“例如，该工具使我们能够洞悉特定患者在未来三个月或一年内死于心力衰竭的可能性。”“这是非常宝贵的。它使我们能够基于行之有效的方法做出明智的决定，而不必研究一个水晶球。”

此外，还使用来自加利福尼亚大学旧金山分校的患者身份数据以及来自11个欧洲医疗中心的数据库对该工具进行了测试。Yagil说：“在这些人群中也很成功。”“能够在独立人群中重新利用我们的发现至关重要，从而验证我们的方法论及其结果。”

格林伯格说：“风险评分的发展标志着我们向前迈出了重要的一步。”“我们不仅证明我们可以准确预测心力衰竭患者的结局，而且还能够从UC San Diego Health的患者电子病历数据库中获得分数。我们现在知道如何利用该数据库解决其他问题对我们的患者至关重要的问题。”