通过机器学习改进功能相关的冠状动脉疾病的诊断
Christian Bock1,2, Joan Elias Walter3,4,5, Bastian Rieck1,2,6
1Department of Biosystems Science and Engineering, ETH Zürich, Basel, Switzerland.
机器学习模型在检测压力诱导的功能相关冠状动脉疾病 (fCAD) 中明显优于心脏病学家. 这种人工智能方法可以减少不必要的成像程序,同时提高这种关键心脏病的诊断准确度.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 功能相关的冠状动脉疾病 (fCAD) 存在重大风险,包括过早死亡和心肌梗塞.
- 目前的检测方法往往缺乏诊断准确性或涉及有害的辐射暴露.
- 早期和准确的fCAD检测对于有效的患者管理至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在预测压力诱导的fCAD方面的有效性.
- 将ML的诊断性能与专家心脏病学家进行比较.
- 评估ML的潜力,以减少对成像程序的需求.
主要方法:
- 开发了两个ML模型:一个使用静态临床变量,另一个使用运动压力测试中的心电图信号.
- 使用内部时间数据分割和外部数据集验证ML模型性能.
- 将ML模型预测性能 (AUROC) 与心脏病学家评估进行比较.
主要成果:
- 在预测fCAD (p=4.0E-13) 中,ML模型的AUROC比心脏病学家 (0.64) 高 (0.71).
- 在目标fCAD测试后概率<15%的情况下,ML促进了成像程序的15-17%的减少.
- 将临床判断与ML和深度学习相结合,使平均AUROC提高到0.74.
结论:
- 与传统方法和专家判断相比,机器学习在检测压力诱导的fCAD方面表现优异.
- 基于ML的预测具有优化诊断途径和降低医疗保健成本的巨大潜力.
- 将ML纳入临床实践可以提高冠状动脉疾病的早期检测和管理.
更多相关视频
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease I: Introduction
Coronary Artery Disease II: Pathophysiology
Acute Coronary Syndrome III: Diagnostic Studies
