使用无监督学习的正常心脏输液患者中的临床表型:一项追溯观察性研究

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 心肌输液成像 (MPI) 是一种常见的心脏扫描,用于诊断冠状动脉疾病和评估心血管风险.
• 大多数MPI患者呈现正常结果,需要进一步的风险分层方法.
• 无监督机器学习可以在正常MPI发现中潜在地识别出不同的患者子组.

研究的目的:

• 确定无监督机器学习是否可以在正常MPI扫描患者中识别独特的患者表型.
• 调查这些已识别的表型是否与死亡或心肌梗塞风险增加有关.

主要方法:

• 利用了一个大型的国际多中心MPI注册表,培训队列中有9,849名患者,外部测试队列中有12,528名患者.
• 应用无监督集群分析以根据MPI数据识别不同的患者表型.
• 评估了已识别的集群的临床和成像特征,以及它们与不良心血管结果的关联.

主要成果:

• 无监督学习从正常的MPI扫描中确定了四种不同的患者表型.
• 集群4,包括20.2%的人口,显示死亡或心肌梗塞的风险明显高 (HR 6.17) 与药理应激 (HR 3.03) 或之前的心肌梗塞 (HR 1.82) 相比.
• 集群1和2中的患者主要经历了运动压力,而集群3和4主要使用了药理应激.

结论:

• 无监督学习成功地在正常MPI扫描的患者中确定了四种不同的表型.
• 在这些患者中,很大一部分患者,特别是集群4中的患者,患心肌梗塞或死亡的风险非常高.
• 使用机器学习的患者表型化可能会提高正常MPI结果的个体的风险分层.