一个精简的CMR衍生机器学习模型用于估计心血管生物年龄:在英国-生物库和动脉样硬化多民族研究中开发和验证

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 当前的心血管生物年龄模型经常使用复杂的数据,如放射学.
• 需要可访问和准确的方法来评估心血管衰老.
• 心血管磁共振 (CMR) 为此类评估提供了丰富的表型数据.

研究的目的:

• 使用CMR表型开发和验证基于机器学习的心血管生物年龄估计 (HeartAge).
• 评估对心血管结果和死亡率的时间年龄偏差 (HeartAge-gap) 的预后值.

主要方法:

• 从英国生物库参与者的CMR表型上使用梯度增强回归开发了HeartAge.
• 定义 HeartAge-gap 是 HeartAge 和时间表年龄之间的差异.
• 在英国生物库中测试了与心血管结果和死亡率的关联,并在动脉样硬化多民族研究 (MESA) 队列中得到验证.

主要成果:

• 增加心脏年龄差与男性和女性的复合心血管结果有关,独立于混因素.
• 在女性中,HeartAge-gap预测了所有原因的死亡率,不论时间年龄.
• 在MESA的验证证实了HeartAge-gap对女性心血管结果的预测价值.

结论:

• 根据HeartAge-gap的指标,生理上较老的心血管系统独立地与不良的心血管结果有关.
• 女人晚期心血管衰老预测全因死亡率,突出性别特异性风险.
• 心脏年龄为心血管风险评估提供了一种新的预后工具.