通过机器学习和个性化的模型来描述心脏重同步治疗反应
Marion Taconné1, Virginie Le Rolle1, Elena Galli1
1Univ Rennes, CHU Rennes, Inserm, LTSI - UMR 1099, Rennes, France.
这项研究引入了一种混合机器学习和个性化建模方法,以识别心力衰竭患者的现象组,并预测心脏再同步治疗反应,改善患者选择和了解治疗疗效.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 计算医学是一种计算医学.
背景情况:
- 对心力衰竭 (HF) 患者的心脏再同步治疗 (CRT) 选择面临着 ~ 30% 的非响应率的挑战.
- 目前关于CRT患者选择的指南在确定最佳候选人方面存在局限性.
研究的目的:
- 开发一种新的混合方法,集成机器学习和个性化模型,用于HF患者的现象分组.
- 用可解释的现象组来预测HF患者的CRT反应.
主要方法:
- 从手术前CRT患者的菌株曲线生成个性化的模型.
- 使用聚类来识别表型和随机森林用于CRT响应分类.
- 分析的特征对于预测患者反应的重要性.
主要成果:
- 在模拟心肌应变曲线 (RMSE 4.48%) 中获得了高精度.
- 确定了五个不同的HF患者现象组,具有不同的CRT反应率 (52%-94%).
- 随机森林分类产生了0.86的AUC,突出区域收缩性,可行性和电力延迟作为关键预测因素.
结论:
- 针对患者的模型参数分析提供了对HF现象组和CRT反应的可解释的见解.
- 混合方法显示了增强HF患者表征和CRT选择的前景.
- 更好地了解左心室机械失调有助于个性化治疗策略.
更多相关视频
12:45Benefits of Cardiac Resynchronization Therapy in an Asynchronous Heart Failure Model Induced by Left Bundle Branch Ablation and Rapid Pacing
Published on: December 11, 2017
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Pulse rhythm
Conversely, an irregular pulse pattern is termed dysrhythmia, stemming from disruptions in cardiac muscle...
Model Approaches for Pharmacokinetic Data: Physiological Models
Pharmacokinetic Models: Comparison and Selection Criterion
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
Pharmacodynamic Models: Overview
Pharmacodynamic Models: Direct Effect Model and Indirect Response Model
Pharmacodynamic Models: Link Model and Systems Pharmacodynamic Model
