通过基于计算流体动力学的冠状动脉生理测量,预测MI后的左心室重塑

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 早期发现左心室重塑 (LVR) 对于管理心肌梗塞后的患者至关重要.
• 心脏磁共振 (CMR) 是LVR评估的标准,但有局限性.
• 冠状动脉血管学衍生的参数,如分数流量储备 (caFFR) 和微循环阻力指数 (caIMR) 提供了潜在的替代方案.

研究的目的:

• 开发和评估机器学习模型,用于预测ST段升高心肌梗塞 (STEMI) 患者的LVR.
• 为了比较结合临床,CMR和冠状动脉生理学参数的模型的预测性能.
• 通过SHAP分析确定LVR的关键预测因素.

主要方法:

• 未来包括157名接受初级穿皮冠状动脉干预的STEMI患者.
• 开发三种随机森林机器学习模型:模型1 (临床/程序),模型2 (模型1+CMR) 和模型3 (模型1+心声学/功能参数包括caFFR和caIMR).
• 通过SHAP分析评估模型性能,使用曲线下的面积 (AUC) 和特征重要性.

主要成果:

• 左心室重塑 (LVR) 在23.6%的患者中存在.
• 模型3,结合冠状动脉生理学 (caFFR,caIMR) 和心声学数据,实现了最高的AUC (0.85),其次是模型2 (0.84) 和模型1 (0.77).
• 确定的主要预测因素包括心脏病发作大小,微血管阻塞,入院血红蛋白,当前吸烟和caFFR.

结论:

• 冠状动脉生理学参数 (caFFR,caIMR) 与心声学相结合,有效预测STEMI患者的LVR.
• 这些参数显示出强大的预测性能,与基于CMR的模型相比或优于CMR模型.
• 这些发现表明,caFFR和caIMR可以作为CMR的有价值,潜在的非侵入性替代品,用于早期LVR检测.