使用峰值压力值对右心室压力曲线的人工智能支持的重建:一项概念验证研究

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 对右心室 (RV) 功能的常规回声心脏学参数因其依赖后负荷而受到限制.
• 准确评估内在RV功能需要结合RV压力数据.
• 开发新的方法来估计RV压力对于推进RV功能分析至关重要.

研究的目的:

• 开发一种基于人工智能 (AI) 的方法来重建完整的RV压力曲线.
• 仅使用峰值RV压力作为AI模型的输入.
• 通过新的心声回声仪工具,使RV功能的后负载调整评估成为可能.

主要方法:

• 从29名心力衰竭患者获得了侵入性RV压力数据.
• 机器学习模型,包括多层感知子 (MLP),被训练来重建RV压力曲线.
• 使用侵入性数据和外部心声回声学数据验证了表现最好的MLP模型.

主要成果:

• 在重建RV压力曲线方面,MLP模型取得了高性能 (R2 = 0.887).
• 在外部验证期间,MLP的表现仍然很强 (R2 = 0.911).
• 该模型显示了很好的准确性,即使使用心声回声学衍生的峰值RV压力 (R2 = 0.802).

结论:

• 基于人工智能的方法可以准确地重建RV压力曲线,只使用RV压力的峰值.
• 这种方法为VR功能评估的新回声心脏学工具提供了基础.
• 开发的方法有助于对内在RV功能进行负载调整后的评估.