机器学习的临床验证,点的护理系统,以识别肺高血压

科学领域:

• 心脏病学 心脏病学
• 肺部医学 肺部医学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 肺高血压 (PH) 具有较高的肺动脉平均压力 (mPAP) ≥21 mmHg (目前的指导方针) 或≥25 mmHg (以前的指导方针),通过右心导管 (RHC) 诊断.
• 当前PH的诊断挑战导致治疗延迟,突出需要新的及时检测方法.

研究的目的:

• 验证一个新的算法来评估升高的mPAP,旨在快速和准确的PH检测.
• 评估算法的灵敏度和特异性与已建立的mPAP值相比,并将其性能与现有的诊断工具进行比较.

主要方法:

• 该算法在美国18个地区的462名受试者中得到验证,并将其性能与已确认的mPAP升高 (通过RHC) 和低PH概率 (通过TTE查) 的队列进行比较.
• 共同初级终点包括mPAP≥21mmHg时的敏感性 (目标0.70) 和预先定义的切割点时的特异性 (目标0.60). 二级终点是mPAP≥25mmHg时的灵敏度.
• 用接收器操作员特征曲线分析 (ROC-AUC) 来评估两种mPAP值的整体诊断性能.

主要成果:

• 该算法表现出高精度,达到0.82 (95% CI 0.78-0.87) 的mPAP≥25 mmHg和0.78 (95% CI 0.73-0.82) 的mPAP≥21 mmHg的灵敏度.
• 具体性高于0.92 (95% CI 0.87-0.96),超过了该研究预先定义的终点.
• 对于mPAP≥25 mmHg,ROC-AUC值为0.95 (95% CI 0.93-0.96),对于mPAP≥21 mmHg,ROC-AUC值为0.93 (95% CI 0.91-0.95),这表明在PH子组和性别之间具有很好的诊断能力.

结论:

• 经过验证的算法显示性能与胸前心电回声学 (TTE) 相当或优于,特别是在TTE测量有限的情况下.
• 作为一种无压力,非侵入性的前线测试,该算法在早期PH检测中为患者,临床医生和医疗保健系统提供了显著的优势.