可解释的机器学习来预测在计算模型中通过持久性心房移除创建的固定再进入基质

科学领域:

• 计算电生理学 计算电生理学
• 医学成像分析分析 医学成像分析
• 机器学习在心脏病学中的应用

背景情况:

• 放血后心律失常的复发影响了持续性心房的患者中约40%的患者.
• 纤维化重塑和切除诱导的痕与复发性心律失常有关.
• 剥离痕和残留纤维化之间的相互作用尚不清楚.

研究的目的:

• 为了测试该假设,切除创建基质的固定重新进入驱动的复发性心律失常.
• 为了确定特定的非导电性组织模式,有利于心律失常.
• 了解心律失常复发的机制,在持续性心房的消去后复发.

主要方法:

• 计算模拟使用来自LGE-MRI的患者特定的左心房模型.
• 开发和培训一个随机森林机器学习分类器来识别不律性基质.
• 分析非导电性组织特征 (大小,接近纤维化).

主要成果:

• 一个机器学习分类器准确地识别了心律失常基质 (AUC:0.91±0.03).
• 一个独特的非导电性组织模式,以大小和接近残留纤维化而定义,被确定为心律失常性.
• 剥离似乎会将有利于功能重新进入的基质转化为有利于固定重新进入的基质.

结论:

• 持久的心房动移除可以创建基质有利于定重新进入.
• 可解释的机器学习和计算模拟是研究心律失常机制的宝贵工具.
• 了解稳定后的基质变化对于改善治疗结果至关重要.