使用冠状动脉压波形评估心肌损伤大小指标:冠状动脉阻塞/再输血小鼠模型的概念验证

科学领域:

• 心血管生理学
• 生物医学工程
• 医学中的机器学习

背景情况:

• 心肌梗塞 (MI) 是心力衰竭的主要原因,需要精确评估心肌损伤.
• 长期心脏病发作后结果的关键决定因素包括心脏病发作的大小,缺血风险区域和不回流区域.
• 目前用于量化MI损伤的方法可能具有侵入性或缺乏精度.

研究的目的:

• 评估内在频率 (IF) 机器学习 (ML) 分析动脉压力波形的有效性,以量化心肌损伤的大小.
• 确定这种方法是否可以准确评估心脏病发作后的心脏病发作大小,缺血风险区域和无反流区域.
• 探索心脏病后治疗的非侵入性状波形分析的转化潜力.

主要方法:

• 在Sprague-Dawley大鼠 (N=88) 中使用冠状动脉封闭/再输血模型诱导了急性心肌梗塞 (MI).
• 心肌损伤的大小通过组织病理学确定.
• 从带压力波形中提取内在频率 (IF) 度量,并使用ML分类器进行分析,并对单独的老鼠队列进行测试.

主要成果:

• 该模型在分类心脏病大小 (0. 95),缺血风险区域 (0. 85) 和无反流区域 (0. 88) 中取得了很高的准确性.
• 所有损害评估的具体绩效指标包括高度敏感性和特异性.
• 通过IF-ML方法,对心肌梗塞引起的心肌损伤严重程度进行了可靠的分类.

结论:

• 基于混合物理的ML方法使用动脉压力波形有效地分类心肌梗塞损伤的严重程度.
• 这种非侵入性,潜在的远程可操作的方法为心脏病发作后的患者监测提供了有前途的工具.
• 这些发现表明,改善及时干预和减轻心脏病发作后的不良结果具有显著的转化潜力.