在急性心力衰竭中使用无监督机器学习识别拥堵表型
Tripti Rastogi1, Olivier Hutin1, Jozine M Ter Maaten2
1Université de Lorraine, Inserm, DCAC, Centre D'Investigation Clinique-Plurithématique 14-33, CHRU-Nancy, F-CRIN iNI-CRCT (Cardiovasculaire and Renal Clinical Trialists), 4, rue du Morvan, 54500 Vandœuvre-Lès-Nancy, France.
数据驱动的集群确定了五种心力衰竭 (HF) 拥堵表型. 某些表型,如全球拥堵,显著增加HF住院和死亡的风险,表明不同的病理生理学.
科学领域:
- 心脏病学 心脏病学
- 生物统计学 生物统计学
- 系统生物学 系统生物学
背景情况:
- 心力衰竭 (HF) 的分类可以通过数据驱动的集群改进.
- 通过拥堵表型了解HF病理生理学对于预后至关重要.
研究的目的:
- 根据肺和全身拥堵水平 (组织和血管内) 识别不同的急性心力衰竭表型.
- 评估这些表型与HF住院和死亡的复合结果的关联.
- 通过对蛋白质数据的网络分析来探索潜在的生物学途径.
主要方法:
- 集群技术应用于19个临床,实验室和回声心脏图学拥堵标志物在南希-HF队列 (n=741).
- 集群模型在BIOSTAT-CHF队列 (n=4254) 中得到了验证.
- 用363种蛋白质的网络分析来确定与每个表型相关的生物途径.
主要成果:
- 确定了五种不同的拥堵表型:PTC扩展的LV,PTC-HFpEF,PTC/STC-AF,PIVC扩展的LA/LV和全球拥堵.
- 与PTC扩展的LV相比,PTC,STC-AF和全球拥堵表型与复合结果的风险明显更高.
- 全球拥堵表型在BIOSTAT-CHF队列中显示出明显更高的风险.
- 网络分析显示,免疫应答途径与所有表型之间存在关联,与PTC-HFpEF,PTC/STC-AF和PIVC扩展的LA/LV相关的特定途径.
结论:
- 聚类技术揭示了与预后和潜在的病理生理学相关的恶化HF的明显临床拥堵概况.
- 这些已识别的表型为HF异质性提供了洞察力,可以通过在线模型来评估患者的风险.
- 这些发现强调了基于特定高频拥堵表型的量身定制治疗策略的潜力.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
相关概念视频
Heart Failure IV: Classification and Diagnostic Evaluation
Pathophysiology of Heart Failure
Cardiomyopathy III: Hypertrophic Cardiomyopathy
Heart Failure V: Medical Management
Heart Failure II: Pathophysiology
Heart Failure I: Introduction
