Heart：超声心动图人工智能用于肺动脉高压分类
2024-02-02 刘少飞 MedSci原创
该研究证明机器学习算法在心脏超声中对肺动脉高压的预测具有潜在优势，超越传统指南的评估方法，但仍需进一步研究验证其在早期诊断和治疗决策中的临床实用性。
研究背景：随着肺动脉高压（PH）治疗领域的不断发展， PH的准确分类对于制定有效的治疗策略至关重要。目前的指南建议使用心脏超声检查结合多个不同参数进行PH的评估，然而，这种方法存在一定的主观性和限制性。因此，本研究探讨了机器学习（ML）算法是否能够在心脏超声中辅助PH的预测，为临床提供更为准确和可靠的辅助手段。
研究方法：研究团队收集了885名接受右心导管检查（RHC）的患者的身体和心脏超声数据，并根据RHC的结果将患者分为非PH、前毛细血管PH和后毛细血管PH三组。通过采用24个参数，研究人员建立了四个不同分类器的预测模型，并选择了在曲线下面积方面表现最佳的模型。通过在推导队列（n=720）和前瞻性验证数据集（n=165）中计算PH的宏平均分类准确性，将其与基于指南的心脏超声评估结果进行比较。
研究结果：研究表明，采用弹性网络正则化的逻辑回归模型在预测PH方面表现最为出色，其在正常、前毛细血管PH和后毛细血管PH方面的曲线下面积分别为0.789、0.766和0.742。在推导队列中，ML模型的分类准确性显著优于基于指南的心脏超声评估（59.4% vs 51.6%，p<0.01）。在独立验证数据集中，ML模型的准确性与基于指南的PH分类相媲美（59.4% vs 57.8%，p=0.638）。
研究结论：这项初步研究展示了ML模型在心脏超声中预测PH方面的潜在优势。其准确性超过传统的基于指南的评估方法，为PH的早期诊断提供了一种新的可能性。然而，尽管取得了令人鼓舞的结果，但仍需要进一步的研究和验证，以全面评估ML模型在PH诊断和治疗决策中的临床实用性。若验证结果持续肯定，ML算法的引入将为临床医生提供更精准、高效的PH评估工具，有望改善患者的治疗效果和生活质量。这一研究不仅在方法上创新，也为未来的医学研究提供了新的方向，强调了ML在心血管领域中的巨大潜力。
原始出处：
Hirata Y, Tsuji T, Kotoku J, Sata M, Kusunose K. Echocardiographic artificial intelligence for pulmonary hypertension classification. Heart. 2024 Jan 30:heartjnl-2023-323320. doi: 10.1136/heartjnl-2023-323320. Epub ahead of print. PMID: 38296266.
作者：刘少飞
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#肺动脉高压# #超声心动图#
17