基于人工智能的集群分析使得在增加LVM的患者中能够预测结果
Ranel Loutati1, Yotam Kolben1, David Luria1
1Heart Institute, Hadassah Medical Center and The Faculty of Medicine, Hebrew University of Jerusalem, Jerusalem, Israel.
Frontiers in cardiovascular medicine
|September 17, 2024
概括
传统的左心室缩症 (LVH) 分类是不充分的. 新的研究确定了四个不同的患者群体增加左心室质量 (LVM),每个都有独特的临床表型和不同的风险对死亡率和心力衰竭等不良结果.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 数据科学数据科学数据科学
背景情况:
- 基于几何学的左心室缩 (LVH) 的传统分类与患者的结果没有相关性.
- 增加左心室质量 (LVM) 需要更细致的理解,以改善患者分层.
研究的目的:
- 通过未经监督的集群分析,在增加LVM的患者中识别不同的临床表型.
- 调查这些已识别的表型与临床结果之间的关联.
主要方法:
- 利用英国生物银行数据,使用男性和女性的特定索引值来定义增加的LVM.
- 采用沃德的最小方差方法,根据27个变量对4,255个个体进行聚类.
- 使用考克斯比例危险模型和卡普兰-梅尔分析评估了死亡率,心力衰竭 (HF),心室心律不整 (VA) 和心房 (AF) 的复合结果.
主要成果:
- 在增加LVM的患者中确定了四个不同的集群.
- 与集群1相比,集群2,3和4中的患者显示重大不良事件的风险明显增加.
- 现型特征各不相同,包括患有肺部疾病的超重女性 (集群2),患有并发症的男性 (集群3) 和心脏测量异常的男性 (集群4).
结论:
- 无监督的集群分析成功地在增加LVM的患者中确定了四个结果相关的集群.
- 这种新型的表型分类为增加LVM的患者的临床过程和预后提供了宝贵的见解.
