机器学习算法的临床意义在TAVR期间预测PPM中在小环球体中的临床意义
Yu Mao1, Yang Liu1, Mengen Zhai1
1Department of Cardiovascular Surgery, Xijing Hospital, 127 Changle West Road, Xi'an, 710032, Shaanxi, China.
Cardiovascular intervention and therapeutics
|January 6, 2026
概括
在TAVR过程中,心声学高估了大动脉的梯度在小环形中. 一个XGBoost模型提高了准确性,显示更高的预测梯度与更差的患者预后相关.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 精确测量大动脉压梯度 (PG_AV) 对于跨导管大动脉置换 (TAVR) 的结果至关重要.
- 与左心导管 (LHC) 相比,心电回声经常高估了小大动脉环形患者的PG_AV.
研究的目的:
- 为了提高PG_AV测量的准确性,在TAVR期间使用小圆环回声心脏学.
- 评估精确测量PG_AV对患者结果的预后影响.
主要方法:
- 训练了一种极端梯度增强 (XGBoost) 算法,该算法使用了来自273名患有大动脉狭窄和小环球的患者的数据,这些患者接受了TAVR.
- 用LHC数据比较TTE的PG_AV测量结果.
- 评估了预测的PG_AV与死亡率和心力衰竭再入院的复合终点之间的关联.
主要成果:
- 与LHC相比,PG_AV的基线TTE测量被显著高估了 (52.5 mmHg与42.5 mmHg相比,P<0.001).
- 在XGBoost模型显著提高了TTEPG_AV准确性 (皮尔森相关系数=0.94,P<0.001).
- 预测平均PG_AV≥68.6mmHg的患者在2年后出现复合终点的发生率要高得多 (40.7%对比16.0%,P<0.001).
结论:
- XGBoost模型有效地提高了在小环形中TAVR期间回声心脏图像PG_AV测量的准确性.
- 预测的PG_AV升高,准确测量,与TAVR患者的预后更差有关.
- 提高PG_AV测量准确度可以帮助更好地选择患者和对TAVR风险分层.
