机器学习模型使用呼吸分析对缺血性心脏病进行歧视
Basheer Abdullah Marzoog1, Peter Chomakhidze1, Daria Gognieva1
1World-Class Research Center «Digital Biodesign and Personalized Healthcare», I.M. Sechenov First Moscow State Medical University (Sechenov University), 8-2 Trubetskaya Street, 119991 Moscow, Russia.
Biomedicines
|January 8, 2025
概括
分析呼出的挥发性有机化合物 (VOC) 显示出早期缺血性心脏病 (IHD) 诊断的前景. 这种使用机器学习的呼吸分析比传统的压力测试提供了更高的准确性.
科学领域:
- 心脏病学 心脏病学
- 生物化学 生物化学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 缺血性心脏病 (IHD) 是全球主要的死亡和发病原因,严重影响患者的生活质量.
- 目前对IHD的诊断和治疗策略,包括初级预防,往往是不够的,突出需要改进早期检测方法.
- 在临床实践中,IHD的早期诊断和管理仍然是临床实践中的关键挑战.
研究的目的:
- 调查呼出的挥发性有机化合物 (VOC) 作为检测缺血性心脏病 (IHD) 的生物标志物的潜力.
- 将VOC分析的诊断准确性与IHD的传统压力测试方法进行比较.
- 探索机器学习模型在分析VOC配置文件中用于IHD识别的应用.
主要方法:
- 一项涉及80名参与者 (≥40岁) 的观察性研究,根据压力计算机断层扫描肌心 perfusion (CTP) 图像,将其分为IHD和非IHD组.
- 用PTR-TOF-MS-1000在休息时,自行车人体测量后立即,以及运动后三分钟收集出气样本.
- 使用R和Python的统计软件,使用LASSO回归与嵌套交叉验证来将VOC与心肌 perfusion缺陷联系起来.
主要成果:
- 呼出的VOC分析显示了IHD的高诊断准确性,灵敏度为83.9%,特异性为77.6% (AUC为83.8%).
- 相比之下,自行车人体工程学显示出明显较低的诊断性能,灵敏度为48.4%和特异性为53.1% (AUC为50.7%).
- 机器学习模型有效地利用VOC配置文件来区分具有和没有IHD的个体.
结论:
- 呼出的呼吸分析,反映了代谢特征和细胞平衡,显示了改善IHD诊断的巨大潜力.
- 当与机器学习集成时,VOC分析提供了一个有希望的,非侵入性的方法来提高IHD检测物理压力测试的准确性.
- 这种代谢学方法可能会导致对缺血性心脏病的更有效的早期诊断和管理策略.
