通过使用机器学习,比较急性和长期对心房移除的反应的表型

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 难以预测患者对心房动 (AF) 移除的反应.
• 关节关节切除的结果可能不一致,一些患者尽管最初的手术失败,但仍能获得长期的自由.

研究的目的:

• 使用机器学习来识别急性和长期AF切除成功的不同表型.
• 区分影响即时和持续结果的生理因素.

主要方法:

• 分析了来自561名AF患者的72个特征,包括电图,心电图,心脏结构,生活方式和临床数据.
• 六个机器学习模型的比较,以预测急性和长期消融终点.
• 沙普利解释性分析以确定患者表型和77名AF患者的外部验证.

主要成果:

• 一年成功率为69.5%,急性终止 (49.6%) 与长期成功之间的相关性不佳.
• 机器学习模型显示,急性终止的预测能力 (AUC=0.86) 比长期结果 (AUC=0.67) 高.
• 长期成功的表型与临床/生活方式因素有关,而急性终止的表型反映了电气特征.

结论:

• 对AF切除的急性和长期反应是由不同的临床和电生理学驱动的.
• 现象型的分离表明,诸如减弱的AF进展等因素在长期成功中可能发挥作用.
• 开发可靠的程序预测器,以确保长期的AF切除成功,仍然是一个至关重要的未满足的需求.