一个基于机器学习的风险分层,使用CMR体积和菌株参数在患有多变性心肌病的患者中
Hoyoung Kim1, Meen Joo Song1, Jihoon Kim2
1Sungkyunkwan University School of Medicine, Seoul, Republic of Korea.
整合心脏MRI (CMR) 和左心房 (LA) 菌株的机器学习模型改善了过高心肌病 (HCM) 风险预测. 亚拉菌株,特别是导管功能,成为HCM患者长期结果的关键预测因素.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 缩性心肌病变 (HCM) 是一种遗传性心肌疾病,预后可变,通常涉及突然心脏死亡,心房动 (AF) 和中风.
- 在HCM中准确的长期风险分层具有挑战性,因为传统的临床和心声学标记可能无法完全捕捉疾病的复杂性.
- 左心房 (LA) 功能越来越被认为对心脏表现和预后至关重要.
研究的目的:
- 开发和评估一个集临床,心声和心磁共振成像 (CMR) 参数的机器学习模型,以改善HCM患者的预后风险分层.
- 评估CMR衍生参数的预测性能,特别是LA菌株,与传统标记物相比.
主要方法:
- 分析了223名HCM患者的队列,包括综合的人口,临床,心声和CMR数据.
- 五种机器学习方法进行了比较,以预测复合临床结果的能力 (所有原因死亡率,ICD冲击,HF住院,新的AF,缺血性中风).
- 纳入LA菌株参数的处罚后勤回归使用AUC和C指数进行了评估.
主要成果:
- 结合CMR衍生参数的机器学习模型显著优于仅使用临床和心声回声数据的模型.
- 惩罚后勤回归模型整合了临床,心声和LA菌株参数,实现了最高的预测性能 (AUC = 0.840,C指数 = 0.795).
- 这种模型有效地将患者分为低 (0%),中等 (27.3%) 和高风险 (77.8%) 的不良结果组. 与导管功能相关的LA菌株被确定为最重要的预测因子.
结论:
- 从CMR衍生的参数,特别是LA菌株,为HCM的长期风险分层提供了重要的补充预测价值.
- 机器学习方法有效地整合了各种数据类型,以提高HCM的预后评估.
- LA菌株分析提供了一个强大的工具,用于识别患有HCM的高风险个体.
更多相关视频
11:13Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
相关概念视频
Cardiomyopathy III: Hypertrophic Cardiomyopathy
Cardiomyopathy IV: Restrictive Cardiomyopathy
Cardiomyopathy I: Introduction and Classification
Cardiomyopathy V: Interprofessional Care
Imaging Studies for Cardiovascular System IV: CMRI
