人工神经网络预测的PPG和HVPG与非补偿性肝硬化患者测量的PPG的比较

科学领域:

• 肝病学 肝病学是一种肝病学.
• 人工智能在医学中的应用
• 医学诊断 医学诊断 医学诊断

背景情况:

• 门性高血压 (PHT) 在管理不补偿性肝硬化时至关重要.
• 肝静脉附带通常会损害肝静脉压梯度 (HVPG) 测量的准确性,限制其作为门脉压梯度 (PPG) 替代品的实用性.
• 人工神经网络 (ANN) 显示了整合临床数据以预测复杂疾病状态的潜力,但它们在PHT评估中的应用需要验证.

研究的目的:

• 为了比较ANN预测的PPG与测量PPG和HVPG的准确性,在没有补偿的肝硬化患者中.
• 在常规临床实践中 (A组) 和在优化条件下 (不包括测量可变性) 评估ANN性能 (B组).
• 评估ANN在不同病因和肝病严重程度 (Child-Pugh类) 的表现.

主要方法:

• 对164名患有不补偿性肝硬化,接受TIPS治疗的患者进行了回顾性分析,并进行了手术内HVPG和PPG测量.
• 开发一种ANN模型,使用INR,WBC和门静脉直径来预测PPG.
• 将ANN预测的PPG和HVPG与测量的PPG在两个队列中的比较:所有患者 (A组) 和质量控制队列 (B组),不包括高测量变化 (CV>30%).

主要成果:

• 在整体队列 (A组) 中,HVPG与PPG的相关性是微不足道的 (r=0.014),而ANN预测的PPG则显示了中度相关性 (r=0.437,P<0.001) 与改善的协议.
• 在质量控制队列 (B组) 中,HVPG (r=0.457) 和ANN预测的PPG (r=0.476) 均与可比一致性有中等的相关性.
• 在乙型肝炎和Child-Pugh C患者中,ANN的表现优于HVPG;在与酒精有关的肝硬化中,HVPG的表现略好,而两者在自身免疫性肝病中表现差.

结论:

• ANN预测的PPG提供了一种非侵入性,简单和可重复的方法,它与测量的PPG有良好的相关性和一致性.
• 在非补偿性肝硬化中,ANN作为HVPG的宝贵补充,用于临床评估和门高血压的随访.
• 由于抵押品和侵入性,HVPG的局限性凸显出需要使用ANN等替代评估方法.