结合个性化计算建模和机器学习,优化心脏再同步治疗中左心室节奏部位的优化

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 心脏再同步治疗 (CRT) 具有显著的非响应率 (30-50%),需要更好的患者选择和节奏策略.
• 优化左心室 (LV) 节拍部位的位置对于最大限度地提高CRT疗效至关重要.

研究的目的:

• 开发和验证一种新的技术,使用患者特异的心脏模型和机器学习 (ML) 来预测最佳LV节奏位 (ML-PS).
• 评估临床LV节奏部位 (ref-PS) 与预测的ML-PS之间的距离是否与改善的CRT响应率和大小相关.

主要方法:

• 对57名CRT接受者的回顾性分析,积极反应被定义为左心室喷射率 (LVEF) 的>10%改善.
• 从MRI/CT图像创建个性化的心脏模型,以模拟心室激活和心电图.
• 使用衍生激活特征和临床数据培训监督的ML分类器;结合后勤回归,模型模拟和贝叶斯优化来识别ML-PS.

主要成果:

• 通过ML-PS方法,ML得分比ref-PS提高了17 ± 14%,将20%的非响应者重新归类为响应者.
• 与其余队列 (14%的反应,7±8%的LVEF改善) 相比,最大ML得分>0.5和距离D<30mm的患者显示出83%的响应率和更高的LVEF改善 (16±8%).
• 最大ML得分和距离D是CRT反应的强有力的预测指标 (ROC AUC = 0.85).

结论:

• 结合临床数据,个性化心脏建模和监督ML的新技术可以优化CRT的患者选择.
• 这种方法有可能指导在接受CRT的心力衰竭患者中预测最佳的LV节奏领先位置.
• 改善患者选择和领先位置可以提高CRT反应率和临床结果.