使用无监督机器学习解后血栓综合征的概况

科学领域:

• 血管医学 血管医学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 血栓后综合征 (PTS) 是深静脉血栓症 (DVT) 之后的一种慢性疾病,其特点是异质性.
• 维拉拉塔尺度用于PTS诊断,但其捕捉患者异质性的能力尚不清楚.

研究的目的:

• 应用无监督机器学习来识别不同的PTS患者个人资料.
• 通过区分标志和症状来研究Villalta尺度内的异质性.

主要方法:

• 从IDEAL-DVT研究中对818名患者进行了无监督的聚类.
• 维拉尔塔尺度项被聚集在一起,以区分体征和症状.
• 分析了与临床因素的关联,残留静脉阻塞,生活质量和纵向结果.

主要成果:

• 结果发现了四种不同的患者概况:年轻患者引起DVT,女性关节疼痛,男性单独发生多位DVT,老年男性患有糖尿病和股骨静脉干扰.
• 维拉尔塔尺度集群清楚地分离了症状和症状.
• 标志得分与年龄较大,男性性别,BMI较高和DVT程度相关,而症状得分与年龄较小,女性性别,BMI较高和引起DVT相关.
• 残留静脉阻塞与体征得分有关,而生活质量与症状得分更为密切相关.
• 标志和症状得分在不同个人资料和两年内有显著差异,症状主导 (个人资料1) 和标志主导 (个人资料4) 群体的轨迹不同.

结论:

• PTS表现出显著的患者异质性,可以使用机器学习来识别.
• 维拉拉塔尺度的标志和症状维度是不同的,并且与临床因素,结果和生活质量有不同的关联.
• 修订PTS评分系统以区分体征和症状可能使DVT患者的风险预测和预防策略更加个性化.