机器学习用于心脏瘤学:从癌症患者的传统心声图测量预测全球纵向应变
Tagayasu Anzai1,2, Kenji Hirata3,4,5, Ken Kato6
1Department of Cardiology, Tokyo Metropolitan Tama Medical Center, Fuchu, Japan. tagayasu@hawaii.edu.
Cardio-oncology (London, England)
|May 22, 2025
概括
机器学习模型可以使用癌症患者的常规心声学来预测减少的全球纵向应变 (GLS). 这种方法有助于识别那些最能从直接GLS对心力衰竭风险评估中受益的人.
科学领域:
- 心脏病学 心脏病学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 全球纵向应变 (GLS) 是心力衰竭和癌症治疗相关心脏功能障碍 (CTRCD) 的关键预后指标.
- 临床采用GLS测量受到时间限制和培训不足等实际限制的阻碍.
- 从传统心声回声学中预测减少的GLS可以简化直接GLS评估的患者选择.
研究的目的:
- 开发和评估能够从标准心声学参数预测减少GLS的机器学习 (ML) 模型.
- 测试常规心声回声学可以预测化学治疗的癌症患者的低GLS的假设.
主要方法:
- 一个单一中心的横截面研究涉及1484名癌症患者,他们接受了心声回声学.
- 开发16个ML模型,从常规心声谱测量中预测低GLS (<16),不包括EF<50%的患者.
- 模型性能使用AUC,准确性,灵敏度,特异性,PPV,NPV和F1得分进行评估,SHAP用于预测器评估.
主要成果:
- 在测试数据集中,CatBoost分类器以AUC为0.748和准确度为0.734实现了最佳性能.
- 低GLS的关键预测指标包括透析功能障碍指数 (e',E/A) 和峰值速度参数 (AV-Vmax,LVOT-Vmax).
- 该研究确定了406名低GLS患者和1078名正常GLS患者.
结论:
- 机器学习模型在预测癌症患者的常规心声回声学低GLS方面表现有前途.
- 这种预测能力可以促进在癌症治疗期间更早地识别患有心脏功能障碍风险的患者.
- 传统的心声回声学参数,特别是腹筋和速度相关的指数,对于预测减少的GLS至关重要.
