机器学习衍生的高血压患者的表型,使用多维临床和心声学数据,包括菌株成像
In-Chang Hwang1,2, Hyue Mee Kim3, Jiesuck Park1
1Department of Cardiology, Cardiovascular Center, Seoul National University Bundang Hospital, 82 Gumi-ro-173-gil, Bundang, Seongnam, Gyeonggi 13620, South Korea.
机器学习确定了四种不同的高血压心脏病表型. 这些群体表现出不同的临床特征,疾病进展和对治疗的反应,使得个性化患者管理和改善风险分层成为可能.
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:
- 高血压心脏病 (HHD) 的管理需要更好的患者分层.
- 带有应变成像的心声学提供了详细的心脏评估.
研究的目的:
- 将无监督机器学习应用于高血压患者的心声回声学菌株数据.
- 识别具有独特临床特征和结果的独特HHD表型.
主要方法:
- 来自STRATS-HHD注册表的1607名高血压患者接受了基线和随访心电回声学.
- 主要组件分析和K-平均集群 (K=4) 用于20个变量,包括心房和心室应变.
- 集群在两个队列中推导和验证;重塑轨迹和结果被评估.
主要成果:
- 确定了四种不同的HHD表型:以心房为主,患有并发症的老年人,患有冠心病的中年人,患有严重高血压和应变损伤的年轻人.
- 预后有显著差异,集群1显示心血管事件的最高风险,集群4显示最有利的结果.
- 雷宁-血管素阻塞与年轻,更重塑的组 (集群4) 的左心室质量回归有关.
结论:
- 基于机器学习的集群利用菌株成像识别了四种独特的HHD表型.
- 这些数据驱动的表型表现出不同的重塑,治疗反应和临床结果.
- 这种表型化方法可以增强风险分层,并指导针对高血压的量身定制管理策略.
更多相关视频
07:21Magnetic Resonance Derived Myocardial Strain Assessment Using Feature Tracking
Published on: February 12, 2011
11:50High-frequency High-resolution Echocardiography: First Evidence on Non-invasive Repeated Measure of Myocardial Strain, Contractility, and Mitral Regurgitation in the Ischemia-reperfused Murine Heart
Published on: July 9, 2010
相关概念视频
Cardiomyopathy III: Hypertrophic Cardiomyopathy
Hypertension III: Clinical Manifestations and Diagnostic Studies
