小型弁輪TAVRにおけるPPM予測のための機械学習アルゴリズムの臨床的意義

科学分野:

• 循環器病学
• 医用画像処理
• 医療における人工知能

背景:

• 大動脈弁圧勾配（PG_AV）の正確な測定は、経カテーテル大動脈弁留置術（TAVR）の転帰にとって極めて重要である。
• 心エコー検査は、左心カテーテル検査（LHC）と比較して、小型大動脈弁輪を有する患者においてPG_AVを有意に過大評価することが多い。

研究 の 目的:

• TAVR中の小型弁輪における心エコー検査を用いたPG_AV測定精度の向上。
• 正確に測定されたPG_AVの患者転帰に対する予後への影響の評価。

主な方法:

• 大動脈弁狭窄症および小型弁輪を有しTAVRを受けた273名の患者のデータを用いて、極端勾配ブースティング（XGBoost）アルゴリズムをトレーニングした。
• 経胸壁心エコー検査（TTE）によるPG_AV測定値とLHCデータを比較した。
• 予測PG_AVと死亡および心不全再入院の複合エンドポイントとの関連を評価した。

主要な成果:

• ベースラインTTE測定によるPG_AVは、LHCと比較して有意に過大評価された（52.5 mmHg vs. 42.5 mmHg、P < 0.001）。
• XGBoostモデルはTTE PG_AVの精度を有意に改善した（ピアソン相関係数 = 0.94、P < 0.001）。
• 予測平均PG_AVが68.6 mmHg以上の患者は、2年間の複合エンドポイントの発生率が大幅に高かった（40.7% vs. 16.0%、P < 0.001）。

結論:

• XGBoostモデルは、小型弁輪におけるTAVR中の心エコー検査によるPG_AV測定精度の向上に効果的である。
• 正確に測定された、上昇した予測PG_AVは、TAVR患者における予後不良と関連している。
• PG_AV測定精度の向上は、TAVRにおけるより良い患者選択とリスク層別化に役立つ可能性がある。