使用无监督机器学习修复的Fallot四方论的现型聚类
Xander Jacquemyn1,2, Bhargava K Chinni1, Ashish N Doshi1
1The Blalock-Taussig-Thomas Pediatric and Congenital Heart Center, Department of Pediatrics, Johns Hopkins School of Medicine, Johns Hopkins University, 600 N. Wolfe Street, 1389 Blalock, Baltimore, 21287, MD, USA.
International journal of cardiology. Congenital heart disease
|December 23, 2024
概括
经过修复的Fallot四重法 (rTOF) 患者可以使用机器学习将其分为四种不同的表型. 这种方法有助于理解疾病的异质性,并为更好地管理先天性心脏病患者量身定制干预措施.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 修复的Fallot四重法 (rTOF) 呈现出显著的临床异质性.
- 预测疾病进展和对rTOF患者个性化管理仍然具有挑战性.
研究的目的:
- 用临床和心磁共振 (CMR) 影像数据将rTOF患者分为不同的表型.
- 利用无监督机器学习来识别患者子组.
主要方法:
- 对有序CMR评估的rTOF患者进行了回顾性观察队列研究.
- 收集了临床,CMR和心电图数据.
- 应用主要成分分析和K-媒介聚类用于表型识别.
主要成果:
- 确定了四种不同的rTOF表型:稳定/缓慢恶化,随着结构重塑而恶化,适用于肺置换,以及具有异常的年轻患者.
- 这些表型在临床特征,心脏重塑和干预率 (p < 0.01) 中显示出显著差异.
结论:
- 无监督机器学习有效地在rTOF患者中识别了四种不同的表型,突出显著的异质性.
- 这种方法为表征复杂的先天性心脏病和潜在的定制干预提供了有价值的工具.


