通过多变量时间序列分析心肺运动测试数据来改善心血管风险分层

科学领域:

• 心脏病学 心脏病学
• 运动生理学 运动生理学
• 数据科学数据科学数据科学

背景情况:

• 心肺呼吸能力 (CRF) 通常使用心肺运动测试 (CPETs) 的总结指数进行评估.
• 原始时间序列CPET数据可能包含未充分利用的临床信息.
• 目前的方法可能无法完全捕捉CRF的复杂性及其与心血管风险的关系.

研究的目的:

• 调查使用动态时间扭曲和k-medoids分析原始CPET数据是否可以识别不同的CRF现象组.
• 确定这些现象组是否可以改善心血管 (CV) 风险分层.

主要方法:

• 应用动态时间曲线和k-medoids集群到来自1399名参与者的CPET原始记录.
• 根据CPET模式将参与者分为5个不同的CRF现象组.
• 在外部验证队列中评估了现象组与心血管结果之间的关联.

主要成果:

• 从CPET原始数据中确定了5个不同的CRF现象组.
• 集群5显示 CV 概况最差 (使用较高的抗高血压药物,心血管疾病史).
• 与集群1和2相比,集群4和5的不良事件风险明显高 (HRs 1.30-1.36).

结论:

• 使用CPET原始数据分析进行综合CRF分析,可以识别不同的现象组.
• 这种方法增强了心血管风险分层,超出了传统的总结指数.
• 新的现象分组可能有助于个性化的心血管风险管理.