一个深度的患者相似性学习框架,用于评估老年患者的舒张功能障碍
Rohan Shah1, Marton Tokodi1,2, Ankush Jamthikar1
1Division of Cardiovascular Diseases and Hypertension, Robert Wood Johnson University Hospital (RWJUH), Rutgers Robert Wood Johnson Medical School (RWJMS), 1 Robert Wood Johnson Place, New Brunswick, NJ 08901, USA.
European heart journal. Cardiovascular Imaging
|February 5, 2024
概括
一个深度神经网络 (DeepNN) 准确预测心力衰竭 (HF) 和老年人的死亡,超过目前的指导方针. 这种人工智能模型对识别高风险个体进行早期干预充满希望.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 老年病的医生 老年病的医生
背景情况:
- 在老年人中评估左心室扩张功能障碍 (LVDD) 是具有挑战性的,因为与年龄有关的心脏变化.
- 现有的方法可能无法完全捕捉老年人群中LVDD的复杂性.
研究的目的:
- 评估深度神经网络 (DeepNN) 模型,用于预测老年队列中发生心力衰竭 (HF) 的情况.
- 要确定在年轻人群中训练的DeepNN是否对老年人群的风险分层有效.
主要方法:
- 之前开发的DeepNN被应用于5596名老年参与者 (66-90岁) 来自社区动脉样硬化风险研究.
- 该研究评估了DeepNN预测与不同ACC/AHA心力衰竭阶段的HF发病率和全因死亡率的关联.
- 性能与2016年ASE/EACVI指南进行了比较.
主要成果:
- 在DeepNN模型中,在A/B阶段和C/D阶段的子组中,确定了一个与明显增加的HF和死亡率相关的高风险现象组 (日志排名P < 0.0001).
- 在多变量分析中,高风险的现象组是HF和死亡的独立预测因子 (例如,在A/B阶段的HF中HR为6.52).
- 在目前的指南中,DeepNN显示了增量预测值 (NRI 0.5,C-统计改善从 0.70 到 0.76).
结论:
- 对LVDD评估的基于患者相似性的深度学习框架有效地预测了老年患者的结果.
- DeepNN模型提供了对全因死亡和事件HF的可靠预测,即使在较年轻的队列上接受训练时也是如此.
- 与现有的指导方针相比,这种AI方法为老年人提供了更好的LVDD风险分层.
