患有多重系统缩和脊髓小脑缩症的患者的心脏自主功能障碍:一项比较研究和独特的机器学习模型

科学领域:

• 神经学 神经学
• 心脏病学 心脏病学
• 生物医学工程 生物医学工程

背景情况:

• 由于症状重叠,区分多个系统缩 - 大脑缩亚型 (MSA-C) 和脊髓大脑缩症 (SCA) 具有挑战性.
• 心率变化 (HRV) 提供了一种非侵入性方法来评估心脏自主功能,并可能区分这些条件.

研究的目的:

• 使用HRV. 调查MSA-C和SCA中不同的心脏自主模式.
• 开发和评估机器学习模型,根据HRV参数对MSA-C和SCA进行分类.

主要方法:

• 一项涉及22名MSA-C患者,22名遗传确认SCA患者和44名健康对照者的横截面研究.
• 在休息和深呼吸 (DB) 期间使用Polar® H10传感器进行5分钟HRV记录.
• 分析时间和频域HRV指数,开发六个监督机器学习模型,并使用SHAP进行特征重要性评估.

主要成果:

• 患有MSA-C的患者在所有HRV参数中表现出显著的减少,这表明扩散自主功能障碍.
• 在DB期间,SCA患者表现出选择性的HRV降低,并保留了LF/HF比率,这表明偏好性副交感性损伤.
• 该XGBoost模型在分类中实现了84%的准确性,确定了LF变化比率,年龄和休息时的SDNN作为关键的歧视因素.

结论:

• MSA-C的特征是扩散的自主功能障碍和受损的交感反应能力.
• 在SCA中,表现出偏好的副交感性损失.
• HRV与机器学习相结合,为区分MSA-C和SCA提供了一个有希望的,但需要验证的诊断方法.