通过多极高密度接触映射特征的心房肌病的非侵入性预测
Moritz T Huttelmaier1, Alexander Gabel2,3, Jonas Herting1
1Dept. of Internal Medicine I, University Hospital Würzburg (UKW), University of Wuerzburg-University Clinic, Oberdürrbacherstr. 6, 97080, Würzburg, Germany.
概括
机器学习使用心声学准确预测心房心肌病 (AC) 严重程度,有助于心房 (AF) 治疗和中风预防. 这种非侵入性方法可以识别轻度与重度的AC,改善患者选和结果.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习在医学中的应用
背景情况:
- 心房心肌病 (AC) 与心房动 (AF),左心房 (LA) 功能障碍和中风风险有关.
- 早期AC诊断对于优化AF治疗和中风预防策略至关重要.
- 高分辨率的电解剖学 (EA) 绘图描述了AC中的LA基板.
研究的目的:
- 使用新型多极映射与心声回声学参数进行侵入性评估AC的相关性.
- 开发一种基于心声回应的非侵入性方法来预测基于心声回应的AC严重程度.
- 为了评估机器学习在分类AC严重性的有效性.
主要方法:
- 对50名为AF进行肺静脉隔离 (PVI) 的患者的回顾性分析.
- 高分辨率的EA绘制与多极导管和胸回声心脏成像在鼻节律.
- 无监督机器学习 (高斯混合模型) 以基于低压区域 (LVA) 识别轻度和严重的交流子组.
- 博鲁塔算法用于选择预测性回声心脏学参数;支持向量机用于分类.
主要成果:
- 机器学习确定了不同的轻度 (n=28) 和严重 (n=22) AC子组.
- 在LA动态参数 (菌株) 和LA体积指数中存在显著差异,与组之间的a′比.
- 心声标记器预测了高精度的AC严重程度 (AUC=0.9).
- 严重的AC小组在12个月内显示出较高的AF复发率 (40.9%),而轻度的AC小组 (10.7%).
结论:
- 机器学习分析LA地图和心声回声学有效地识别了AC严重程度,没有任意的LVA值.
- 使用机器学习和心声回声标记器对AC子组的非侵入性预测是准确的.
- 这种方法可以增强AF和AC患者的临床分拣.
更多相关视频
06:57Ablation of Ischemic Ventricular Tachycardia Using a Multipolar Catheter and 3-dimensional Mapping System for High-density Electro-anatomical Reconstruction
Published on: January 31, 2019
14.5K
10:17Real-Time Cardiac Mapping with a Noninvasive Imageless Electrocardiographic Imaging System
Published on: April 11, 2025
369
