预测心房移除后患者相关的结果:从可解释的人工智能和数字健康的见解

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 心理学 心理学 心理学

背景情况:

• 生活质量 (QoL) 是心房动 (AF) 导管切除 (CA) 的关键目标,但影响QoL结果的因素尚未完全理解.
• 对CA的个体反应有很大差异,需要对患者异质性的更深入的理解.

研究的目的:

• 根据QoL轨迹,根据AFCA识别不同的患者表型.
• 为了确定这些QoL轨迹的预测因素.
• 探索表型,心律失常复发和重新干预之间的关联.

主要方法:

• 对213名接受AFCA治疗的患者进行了2.2年的前性随访.
• 使用数字健康应用程序实时电子患者报告结果 (PRO),包括AF效应对QOL (AFEQT) 问卷.
• 采用机器学习 (ML) 来识别患者子组和可解释的人工智能 (AI) 来确定关键预测因素.

主要成果:

• 在消去后3个月内,总体QOL提高了26个AFEQT点,具有显著的个体变化.
• 确定了三种不同的患者表型:年轻患者具有最大的QOL增长",情感"集群具有更高的复发率和更低的QOL益处,以及具有心血管风险因素的老年集群.
• 对于 QoL 轨迹的关键预测因素包括焦虑,年龄和 AF 持续时间. AF复发与较低的 QoL 改善有关.

结论:

• ML成功地确定了三个具有临床相关性的表型,具有独特的QoL轨迹和废除结果.
• 可解释的人工智能展示了心理和生物因素如何相互作用以影响结果.
• 研究结果表明,在AF患者的标准节律控制之外,有针对性,多学科的护理策略的潜力.