カロチド圧波形を用いた心筋損傷のサイズメトリックの評価:冠動脈閉塞/再注血ラットモデルにおける概念実証

科学分野:

• 心血管の生理学
• 生物医学工学
• 医療における機械学習

背景:

• 心筋梗塞 (MI) は心不全の主な原因であり,心筋損傷の正確な評価が必要である.
• 心臓発作後の長期的アウトカムを決定する主な要因は,心臓発作の大きさ,不血症リスクゾーン,再流域などです.
• MIの損傷を定量化するための現在の方法は侵入的であり,精度が欠けている可能性があります.

研究 の 目的:

• 心筋損傷の大きさを定量化するために,内在周波数 (IF) 機械学習 (ML) 分析の有効性を評価する.
• このアプローチで心臓発作の大きさや 血栓不全のリスクゾーン,そして心臓発作後の流出禁止区域を 正確に評価できるかどうかを判断する.
• 心臓発作後の治療のための非侵襲的頸動脈波形分析の翻訳の可能性を調査する.

主な方法:

• 急性心筋梗塞 (MI) は,冠動脈閉塞/再注血モデルを用いて,スプラグ・ダウリー・ラット (N=88) で誘発された.
• 心筋損傷の大きさは,組織病理学で決定された.
• 内在周波数 (IF) メトリックは,頸動脈圧力波形から抽出され,ML分類器を使用して分析され,別々のラットコホートで開発され,テストされました.

主要な成果:

• MLモデルは,心臓発作の大きさ (0. 95),缺血リスクゾーン (0. 85) および流出禁止領域 (0. 88) の分類において高い精度を達成しました.
• 特定の性能指標には,すべての損害評価の高い感度と特異性が含まれています.
• IF-MLアプローチでは,心筋梗塞による心筋梗塞の重症度がしっかりと分類された.

結論:

• 頸動脈の圧力の波形を用いたハイブリッド物理ベースのMLアプローチは,真心筋梗塞の重症度を効果的に分類します.
• この非侵襲的な 潜在的に遠隔操作可能な方法は 心臓発作後の患者のモニタリングに 有望なツールです
• 発見は,タイムリーな介入を改善し,MI後の有害な結果を軽減するための重要なトランスレーションの可能性を示唆しています.