使用机器学习衍生的相位左心房应变,对左心室末端透气压的非侵入性评估

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 生物医学工程 生物医学工程

背景情况:

• 胸外回声心电图 (TTE) 对于评估左心室末端透气压力 (LVEDP) 是至关重要的,但目前的方法有局限性.
• 峰值左心房应变 (LAS) 在估计LVEDP方面表现有前途,但其准确性可能是可变的.

研究的目的:

• 评估是否将整个LAS时间曲线整合到一个参数中,LAS指数 (LASi),通过TTE增强非侵入性LVEDP评估.
• 将LASI的准确性与峰值LAS和LVEDP估计的现有指南进行比较.

主要方法:

• 对294名同时接受左心导管和TTE的患者进行了回顾性分析.
• 机器学习被用来训练LAS曲线用于LVEDP检测,开发了LASI参数.
• 针对侵入性压力的 LASi 精度得到了验证,并与峰值 LAS 和 ASE/EACVI 指南进行了比较.

主要成果:

• 在验证队列中,LASI参数在检测升高的LVEDP (≥15 mmHg) 中显示了79%的整体准确性.
• 当不确定的病例被匹配时,LASI的准确性提高到87%,超过了峰值LAS (76%) 和ASE/EACVI指南 (76%).
• 在指导方针 (n=37) 确定不清的透缩功能患者中,LASI的准确性达到81%,而峰值LASI的准确性为76%.

结论:

• 拉西提供了一种非侵入性方法,用于检测升高的LVEDP,其准确性与现有方法相美.
• 通过最大限度地减少不确定的分类,特别是在具有挑战性的案件中,LASI提供了一个优势.
• 这种新型参数有可能在临床心声回声学中改善腹功能评估.