3Dエコーカルディオグラフィを用いた拡張性心筋症の有害な結果の予測:罰せられたコックス回帰対機械学習

科学分野:

• 心臓病学 心臓病学
• 医療情報工学 医療情報工学
• バイオ統計学 バイオ統計学

背景:

• 拡張性心筋症 (DCM) のリスク予測は最適以下である.
• 予測モデリングのための機械学習 (ML) 方法が調査されています.
• 先進的な3Dエコーカルディオグラフィーの測定は,リスクの階層化を改善する可能性があります.

研究 の 目的:

• DCMリスク予測のための従来のコックス回帰,罰せられたコックス回帰,およびMLモデルを比較します.
• 最適な差別,校正,および解釈可能性を持つモデルを特定します.
• 予後モデルにおける3Dエコーカーディオグラフィのパラメータの有用性を評価する.

主な方法:

• 196人のDCM患者による遡及的なコホート研究.
• 複合的アウトカムに対するフォローアップ:死亡率,心不全再入院,またはLVADインプラント.
• 3Dエコーカルディオグラフィのパラメータを含む41の予測要因を用いた12の予後モデル (Cox,Lasso-Cox,ML) の開発と評価.

主要な成果:

• MLモデル (ランダムフォレスト,グラディエントブースト) は,12ヶ月で最も高い差別性 (AUC 0.990) を示したが,カリブレーションは悪かった.
• ラッソ・コックスモデルは,よりよい校正で24ヶ月で許容可能な差別 (AUC 0.729) を維持しました.
• 主な予測要因には,4D右心室射出分数 (4D-RVEF),左心房体積指数 (LAVI),肺動脈静脈圧 (PASP),三環状平面静脈外出 (TAPSE) が含まれていた.

結論:

• MLモデルは差別に優れているが,DCMでは校正に苦戦している.
• 罰せられたコックス回帰 (Lasso-Cox) は,パフォーマンスと解釈性の最良のバランスを提供します.
• ラッソコックスは,DCMにおける臨床リスク分層化および実施研究のために推奨されています.