相关实验视频
使用多模式人工智能模型预测沙丘病患者心脏突然死亡
Changxin Lai1, Minglang Yin2, Eugene G Kholmovski1
1Alliance for Cardiovascular Diagnostic and Treatment Innovation, Johns Hopkins University, Baltimore, Maryland, USA; Department of Biomedical Engineering, Johns Hopkins University, Baltimore, Maryland, USA.
JACC. Clinical electrophysiology
|December 5, 2025
概括
一个新的人工智能模型MAARS-CS准确地预测心脏类瘤 (CS) 患者的突然心脏死亡 (SCD) 风险. 该工具集成成像和临床数据,优于传统的LVEF措施,为更好的患者护理提供更好的服务.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 心脏沙尔科毒症 (CS) 构成心脏突然死亡 (SCD) 的高风险.
- 使用左心室喷射分数 (LVEF) 的当前风险分层的准确性有限.
- 需要改进的方法来识别高风险的CS患者.
研究的目的:
- 开发和评估一个多式人工智能用于心室风险分层在CS (MAARS-CS).
- 整合晚期加多增强心磁共振 (LGE-CMR) 图像和临床数据用于SCD风险预测.
- 评估MAARS-CS与LVEF在预测SCD风险方面的表现.
主要方法:
- 一个追溯的队列分析了317名肉病患者.
- 在MAARS-CS中,用于LGE-CMR图像分析的3D卷积神经网络和用于临床共变量的前神经网络.
- 该模型采用了培训和测试的5倍交叉验证.
主要成果:
- 马尔斯-CS实现了0.86的AUROC,显著超过LVEF标准 (AUROC:0.59) 和连续LVEF (AUROC:0.77).
- 与连续LVEF相比,该模型在精度回忆曲线 (0.54对0.43) 下显示出更高的面积和平衡的精度 (0.83对0.74),与连续LVEF相比.
- 马尔斯-CS在不同图像质量方面表现强,并确定了关键风险预测因素.
结论:
- 与LVEF相比,MAARS-CS提供了优越的预测准确度和SCD风险的一致性.
- 该模型的可解释性和稳定性支持其作为临床决策支持工具的使用.
- 对MAARS-CS的进一步验证可能会增强沙尔科病的个性化患者护理.
