机器学习集群分析确定了跨导管大动脉置换接受者的12个月死亡风险增加

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗数据分析 医学数据分析

背景情况:

• 跨导管大动脉植入术 (TAVR) 后的长期死亡风险在临床实践中经常被低估.
• 无监督机器学习可以在复杂的患者数据中识别模式,以分层风险.
• 这可能有助于识别需要更密切的TAVR后监测的患者.

研究的目的:

• 应用无监督机器学习来识别TAVR后不同的患者群.
• 评估这些集群对长期死亡率的预后价值.
• 将机器学习集群的预测能力与传统风险评分进行比较.

主要方法:

• 在200名TAVR患者的人口统计,生化和心脏成像数据上使用了无监督的k-means集群.
• 确定了对集群分配的特征重要性.
• 进行了生存分析 (Kaplan-Meier,Cox模型),将集群分配与传统的风险和脆弱计算器进行比较.

主要成果:

• 确定了两个不同的患者群.
• 与集群1相比,集群2的12个月全因死亡率显著更高 (HR 6.3,p < 0.01).
• 集群2与更先进的心脏重塑和更差的多室功能有关.
• 集群分配在预测12个月死亡率方面表现优于传统得分.

结论:

• 在TAVR后,k-means集群确定了两个预后上不同的现象组.
• 与传统的风险和脆弱性得分相比,机器学习衍生集群显示出对死亡率的优越预测能力.
• 这些发现强调了机器学习对临床风险预测和增强患者监测策略的有用性.