相关实验视频
Updated: Jun 14, 2025
06:22
Modeling and Evaluation of Murine Diabetic Cardiomyopathy Model
Published on: November 29, 2024
552
开发和验证基于机器学习的方法,以识别高风险的糖尿病心肌病现型
Matthew W Segar1, Muhammad Shariq Usman2, Kershaw V Patel3
1Department of Cardiology, Texas Heart Institute, Houston, TX, USA.
European journal of heart failure
|September 6, 2024
概括
机器学习在糖尿病患者中发现了一种高风险的糖尿病心肌病 (DbCM) 现型. 这种方法可能有助于针对风险人群中心力衰竭 (HF) 的预防策略.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 糖尿病心肌病 (DbCM) 是糖尿病患者心力衰竭 (HF) 之前的心肌异常的一个亚临床阶段.
- 缺乏对DbCM表型的全面表征,阻碍了有针对性的干预.
研究的目的:
- 开发和验证一种机器学习 (ML) 集群方法,以识别高风险的DbCM表型.
- 为了利用心声回声和心脏生物标志物数据用于DbCM表型化.
主要方法:
- 对ARIC队列 (n=1199) 的心声和生物标志物数据进行了无监督的等级分类.
- 一个深度神经网络 (DeepNN) 分类器被开发和验证在外部队列 (CHS,n=802;UT西南EHR,n=5071).
- 表型的特点是5年心力衰竭发病率.
主要成果:
- 聚类确定了三个现象组,而现象组-3 (27%) 显示出明显更高的5年HF发病率.
- 高风险DbCM的关键预测因素包括NT-proBNP升高,左心室质量/心房大小增加以及扩张功能受损.
- 在验证队列中,DeepNN分类器识别了16-29%的DbCM个体,这些人显示出更高的HF发病率.
结论:
- 在16-29%的糖尿病患者中,ML技术可以识别高风险的DbCM表型.
- 这种表型与心力衰竭风险增加有关.
- 早期识别可能使HF预防策略的更积极实施成为可能.
