通过整合机器学习分析提高SLE患者亚临床心脏功能障碍的预测

科学领域:

• 心脏病学
• 关节病学
• 医学成像

背景情况:

• 系统性红斑狼 (SLE) 是一种自身免疫性疾病,可能会影响心脏.
• 早期发现左心室缩功能障碍 (LVSD) 对于治疗SLE患者至关重要.
• 临床前的心脏功能障碍可能会在SLE出现明显的症状.

研究的目的:

• 确定SLE患者早期LVSD的二维斑点追踪心声学 (2D- STE) 参数.
• 确定与SLE中LVSD发展相关的临床因素.
• 探索机器学习在SLE中评估LVSD的实用性.

主要方法:

• 一项病例对照研究涉及36名新诊断的SLE患者 (SLE疾病活动指数2000分数≥4) 和36名匹配的健康对照.
• 所有参与者都接受了标准心声学和2D-STE.
• 收集了临床数据和血清标志物,包括抗U1RNP抗体.
• 用机器学习和回归分析来确定LVSD的危险因素.

主要成果:

• 在SLE患者和对照患者之间观察到2D- STE参数的显著差异,包括全球纵向缩压力 (GLPS),GLPS- A4C和GLPS- APLAX (p- 调整< 0. 001).
• 机器学习模型,特别是GLPS-APLAX,显示出高诊断精度 (AUC=0. 93).
• 多变量回归显示抗U1RNP抗体与GLPS测量之间的反向关系 (例如,GLPS系数=-3.71,p=0.002).

结论:

• 在SLE患者中,2D- STE参数有效预测亚临床心脏功能障碍.
• 抗U1RNP抗体是与SLE中LVSD相关的显著临床因素.
• 机器学习对SLE中LVSD的初步查和定量有希望.