结合人工智能和机器学习来诊断肺高血压:一个现实世界的证据队列研究

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 肺高血压 (PH) 是一种严重的疾病,由于对专家中心的访问有限,经常被诊断为晚期.
• 人工智能 (AI) 通过临床决策支持工具为自动化PH诊断提供了潜力.
• 对右心导管 (RHC) 数据的分析对于基于AI的PH诊断至关重要,但以前没有报告过.

研究的目的:

• 开发和验证使用AI和RHC数据进行PH诊断的自动化方法.
• 评估使用大型语言模型 (LLM) 和机器学习 (ML) 进行RHC数据提取和解释的可行性.
• 为了应对在大量患者群体中PH诊断不足的挑战.

主要方法:

• 在2016年1月1日至2024年12月31日期间,从全州临床网络 (UMMS) 进行RHC研究的回顾性队列分析.
• 开发一个大型语言模型 (LLM) 驱动的模式存储库 (LDPR) 与三个代理用于非结构化的RHC数据提取,由PH专家验证.
• 利用机器学习 (ML) 来创建预测公式,以从静脉压 (sPAP) 和静脉压 (dPAP) 来计算肺动脉平均压力 (mPAP),以处理缺失的数据.

主要成果:

• 该研究包括11,029名患者和17,292名RHC报告;mPAP,sPAP和dPAP的LLM提取精度超过99.4%.
• 一个新的ML衍生的线性方程 (mPAP=1.51+0.43*sPAP+0.45*dPAP) 实现了0.94的R2,超过了现有的方法.
• 将ML公式应用于507名缺乏mPAP的患者,确定382名 (75.3%) 患有PH,从没有诊断重新分类他们.

结论:

• 结合LLM-ML方法有效地自动化PH诊断使用RHC数据在一个大,多样化的患者队列.
• 这种方法提供了一个高效和可扩展的解决方案,以对抗PH低诊断.
• 展示了生成性AI在为心血管疾病表型和诊断创造临床可操作工具方面的潜力.