从超声波视频中对右心房压的自动评估,使用机器学习
Dominic Yurk1,2, Joshua P Barrios2,3, Elodie Labrecque Langlais4,5,6
1Department of Electrical Engineering, California Institute of Technology, Pasadena, USA.
JACC. Advances
|October 7, 2024
概括
机器学习通过心声图准确估计右心房压力 (RAP),帮助早期检测心力衰竭患者的体积过载. 这种自动化工具可以提高诊断可访问性和患者护理.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 早期识别体积过载对于心力衰竭管理至关重要.
- 右心房压力 (RAP) 的超声波估计评估了血管内体积状态,但需要专家解释.
- 经验丰富的医生的有限可用性阻碍了基于超声波的RAP评估的广泛使用.
研究的目的:
- 评估机器学习模型在从心声图研究中估计RAP时的准确性.
- 开发一个自动化的深度学习方法用于RAP估计.
- 评估开发的算法的稳定性和通用性.
主要方法:
- 开发了自动化的深度学习模型,以识别下静脉扫描和估计RAP.
- 训练和评估模型使用15828个心声回声录像和319个右心脏导管测量.
- 与心脏病学家估计和外部数据集相比,验证了模型性能.
主要成果:
- 该模型与心脏病学家的RAP估计达成了80.3%的一致性 (AUROC 0.844).
- 在统计学上,RAP估计与心脏病学家和右心脏导管测量无法区分 (P=0.98).
- 该模型表现出对外部心声回声图数据 (AUROC 0.854) 的强烈概括性.
结论:
- 机器学习可以从心声回声图视频中准确而稳健地解释RAP.
- 这种自动化算法有助于客观地评估血管内体积状态.
- 该技术有可能在心力衰竭管理中得到广泛的临床应用.
