扩张性功能障碍的深度学习模型风险分层化早期大动脉狭窄症的进展
Márton Tokodi1, Rohan Shah2, Ankush Jamthikar3
1Division of Cardiovascular Diseases and Hypertension, Rutgers Robert Wood Johnson Medical School, New Brunswick, New Jersey, USA; Heart and Vascular Center, Semmelweis University, Budapest, Hungary.
JACC. Cardiovascular imaging
|September 19, 2024
概括
评估透析功能障碍的深度学习模型可以预测大动脉狭窄症 (AS) 的进展. 这种方法有助于在AS早期患者中分层风险,改善临床管理.
科学领域:
- 心脏病学 心脏病学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 大动脉狭窄症 (AS) 的发展和从大动脉 (AV) 硬化症的进展是高度可变的,很难预测.
- 早期识别有AS进展风险的个体对于及时干预至关重要.
研究的目的:
- 调查深度学习 (DL) 模型是否可以通过心声学来评估腹功能障碍 (DD),可以识别AS发展和进展的潜在风险.
- 评估DL评估的DD对AS发病和不良心血管结果的预测能力.
主要方法:
- 分析了来自ARIC队列的898名患有静脉动脉硬化症的参与者.
- DL预测的DD概率与新的AS诊断和死亡率或AV干预的复合相关.
- 在两个额外的队列中进行了验证,使用心脏MRI和PET/CT成像来检测膜炎和化.
主要成果:
- 在ARIC队列中,较高的DL预测的DD概率与AS发展的增加相关 (aHR: 3.482) 和死亡率/AV干预 (aHR: 7.033).
- 一个包含DL-DD概率的多变量考克斯模型有效地预测了CMR队列中的AS进展 (C指数:0.798).
- 模型预测与PET/CT队列中膜18F-NaF吸收正相关 (r=0.62).
结论:
- 基于心声学的对透析功能障碍的深度学习评估可以有效地分层早期大动脉狭窄的潜在风险.
- 这种人工智能驱动的方法为识别AS进展高风险患者提供了一个有希望的工具.
