年轻竞技运动员非特异性心肌纤维化:通过基于机器学习的强大模型的临床意义和风险预测
E Androulakis1, S Marwaha2, N Dikaros3
1St George's University London, London, UK. eandroul@sgul.ac.uk.
概括
年轻运动员非特异性心肌纤维化与不良事件和心律失常有关. 机器学习模型可以预测显著纤维化,帮助临床实践.
科学领域:
- 心脏病学 心脏病学
- 运动医学 运动医学
- 医疗成像医学成像
背景情况:
- 非特异性心肌纤维化 (NSMF) 呈现出异质的临床情况.
- 评估具有和没有NSMF的年轻运动员对于理解临床意义至关重要.
研究的目的:
- 评估具有和没有NSMF的年轻运动员.
- 为了确定显著纤维化的临床预测因素.
- 开发一种机器学习模型,用于预测运动员的纤维化.
主要方法:
- 分析了来自328名年轻运动员的数据,其中61人被确定为NSMF.
- 将NSMF分为"小"和"大"纤维化群体的分类.
- 对不良事件的后续行动和应用机器学习算法进行预测.
主要成果:
- 患有"重大"纤维化症的运动员表现出较高的侧T波逆转率 (TWI) 和心室失常率.
- 运动能力降低 (VO2 < 44 mL/min/Kg) 和侧面TWI是"重大"纤维化症的显著预测因素.
- 机器学习模型,特别是随机森林,在预测显著纤维化时达到90%的准确性.
结论:
- 侧面TWI和运动性能下降与纤维化负担增加相关.
- 心肌纤维化与心室节律失常和心血管不良事件有关.
- 机器学习模型可以帮助识别有显著纤维化运动员,指导临床管理和心脏磁共振成像 (CMR) 转诊.


