使用基于心脏磁共振的心脏磁共振异步指标的K-平均集群识别高风险的Fontan表型
Addison Gearhart1, Sunakshi Bassi2, Rahul H Rathod1
1Department of Cardiology, Boston Children's Hospital, Boston, Massachusetts, USA; Department of Pediatrics, Harvard Medical School, Boston, Massachusetts, USA.
概括
机器学习使用心血管磁共振 (CMR) 数据在Fontan循环中识别了四个不同的患者群体. 这种方法有助于分层风险,并了解这个复杂的患者群体的结果.
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:
- 丰田循环患者是一个异质的群体,结果不佳.
- 心室扩张,功能障碍和失同导致不良事件.
- 目前对Fontan患者的风险分层是有限的.
研究的目的:
- 将无监督机器学习应用于心血管磁共振 (CMR) 衍生的异步度量.
- 为了区分Fontan心室与正常控制.
- 在Fontan人口中确定预后上不同的子组.
主要方法:
- 对503个Fontan患者的CMR研究和42个对照组的回顾性分析.
- 功能跟踪评估了心室应变,应变速率和位移.
- 无监督的K-means集群分析了24个机械失同度量.
主要成果:
- 在Fontan患者中确定了四个不同的表型群.
- 风险最高的集群显示,不良结果 (死亡或移植) 的风险明显更高.
- 风险分层是独立于心室形态和索引终端透支体积.
结论:
- 无监督的机器学习有效地识别了Fontan循环中的不同患者群.
- 这种方法揭示了不同的临床特征和风险概况.
- 该技术有助于对异构的Fontan群体进行分层,以进行有针对性的研究和护理.
更多相关视频
12:09Patient-specific Modeling of the Heart: Estimation of Ventricular Fiber Orientations
Published on: January 8, 2013
13.6K
11:13Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
6.3K
