先进的心声回声和集群分析,以确定不同风险的二次三回现象组

科学领域:

• 心脏病学 心脏病学
• 心血管研究研究心血管研究
• 医学诊断 医学诊断 医学诊断

背景情况:

• 二次三回 (STR) 显著影响患者的预后.
• STR的异质性使得临床医生难以预测结果.
• 识别不同的预后现象组对于个性化患者管理至关重要.

研究的目的:

• 在中度至严重的二次三腹吐 (STR) 患者中识别和描述不同的预后现象组.
• 改善对患者结果的预测,并指导量身定制的治疗策略.

主要方法:

• 对758名中度至重度STR患者的分析,分为衍生 (n=558) 和验证 (n=200) 队列.
• 无监督的集群分析以确定患者的现象组.
• 主要终点:心力衰竭住院和全因死亡率的复合.
• 开发和验证用于现象组分配的机器学习模型.

主要成果:

• 确定了三个不同的STR现象组:低风险 (80%无事件生存率),中等风险 (HR 2.20) 和高风险 (HR 4.67).
• 现象组的特点是STR严重程度,右心室 (RV) 大小和功能以及右心房尺寸.
• 鉴定出来的现象组与复合终点 (HR 1.40) 独立相关.
• 一个机器学习模型在将患者分配到现象组中表现出高精度 (0.91导出,0.80验证).

结论:

• 无监督的集群分析成功地确定了三种STR风险现象组.
• 这些现象组可以帮助临床医生为STR患者制定个性化治疗和后续策略.
• STR的预后表型化为更个性化的患者护理提供了一条途径.