相关实验视频
Updated: Jul 17, 2025

Real-time Pressure-volume Analysis of Acute Myocardial Infarction in Mice
Published on: July 2, 2018
使用机器学习共识集群方法识别心脏性休克的独特临床表型
Li Wang1, Yufeng Zhang2, Renqi Yao3,4,5
1Department of Nephrology, Changzheng Hospital, Naval Medical University, Shanghai, China.
机器学习确定了两个不同的心脏性休克 (CS) 现型. 一种表型显示出更好的结果,有助于为CS患者提供个性化治疗策略.
科学领域:
- 关键护理医学 关键护理医学
- 在医疗保健中的数据科学.
- 心脏病学 心脏病学
背景情况:
- 心脏性休克 (CS) 由于各种原因和结果而带来复杂的挑战.
- 在临床上仍然很难区分各种CS表型.
- 识别不同的CS表型对于有针对性的干预和改善患者预后至关重要.
研究的目的:
- 调查机器学习 (ML) 共识聚类的实用性,以识别不同的心脏性休克 (CS) 现型.
- 探索这些已识别的表型是否具有独特的临床概况和预后.
- 为了利用ML进行数据驱动的CS分类方法.
主要方法:
- 利用来自eICU协作研究数据库的21,925名CS患者的大队伍的无监督ML共识聚类.
- 使用共识矩阵热图,CDF,集群共识图和PAC分析确定了最佳的集群数量.
- 分析了区分集群的关键特征,使用标准化平均差异和临床终点关联的后勤回归来分析.
主要成果:
- 确定了两个不同的CS集群 (集群1:9,848名患者;集群2:12,077名患者).
- 集群1表现出较低的血压,较差的功能 (较低的EGFR,较高的BUN/肌素) 和更高的严重性得分 (SOFA,APS III,APACHE IV).
- 集群2与较低的住院死亡率 (OR 0.374),ICU死亡率 (OR 0.349) 和急性损伤 (AKI) 发病率降低 (OR 0.478) 显著相关.
结论:
- ML共识聚类有效地合成临床和实验室数据,以揭示不同的CS表型.
- 确定的表型具有显著不同的临床形状和预后.
- 这种方法为CS患者的分层和指导临床决策提供了一个有希望的途径.
更多相关视频
06:10Utilizing Percutaneous Ventricular Assist Devices in Acute Myocardial Infarction Complicated by Cardiogenic Shock
Published on: June 12, 2021
07:39Use of a Percutaneous Ventricular Assist Device/Left Atrium to Femoral Artery Bypass System for Cardiogenic Shock
Published on: August 16, 2021
相关概念视频
Heart Failure IV: Classification and Diagnostic Evaluation
Cardiomyopathy I: Introduction and Classification
Cardiomyopathy II: Dilated Cardiomyopathy
Blood Pressure Imbalances and Circulatory Shock
Blood Pressure: Hypertension and Hypotension
Normal blood pressure is 120/80 mm Hg. Elevated blood pressure is 120-129/under 80 mm Hg. Hypertension, warranting treatment at 130/80 mm Hg, is often asymptomatic and can lead to severe cardiovascular events, aneurysms, peripheral arterial disease, chronic renal disease, or cardiac...
Cardiopulmonary Resuscitation IV: Pharmacological Management
Heart Failure III: Clinical Manifestations