一个基于机器学习的肺超声波算法用于诊断急性心力衰竭
Stefano Coiro1,2, Claire Lacomblez2, Kevin Duarte2
1Cardiology Department, Santa Maria Della Misericordia Hospital, Perugia, Italy.
Internal and emergency medicine
|May 23, 2024
概括
机器学习增强了肺超声波 (LUS) 用于诊断急性心力衰竭 (AHF). 一个新的算法准确地识别AHF风险,改善诊断能力和患者分层.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 肺部超声波 (LUS) 被公认为用于诊断急性心力衰竭 (AHF).
- 目前的LUS协议缺乏标准化,阻碍了最佳应用.
- 需要在AHF诊断中对LUS进行定义和数据驱动的方法.
研究的目的:
- 开发和验证基于机器学习的模型,使用LUS诊断AHF.
- 确定可以预测AHF的关键LUS变量.
- 使用LUS建立AHF的风险分层工具.
主要方法:
- 一个随机的森林和决策树模型被训练在117名急性呼吸障碍患者的LUS数据上 (PLUME研究).
- 使用了一个8区扫描协议.
- 该模型在一个外部数据集上得到验证,包括80个对照组和50个AHF病例.
主要成果:
- 随机森林模型确定了B线总和和上下B线差作为AHF的关键预测因素.
- 决策树算法实现了0.865的AUC,将患者分为低 (24%),高 (70%) 和非常高风险 (96%) 的AHF组.
- 验证队列的准确性很高 (AUC = 0.906),当算法被添加到现有的临床分数中时,有显著的改善.
结论:
- 一个简单的,基于机器学习的LUS算法在诊断AHF方面表现出色.
- 该算法为AHF诊断和风险分层提供了一种经过验证的策略.
- 将这种LUS算法与临床评分相结合,可以提高AHF的诊断准确性.
