多模式AI预测肥厚性心肌病中心律不齐的死亡
2025-07-02 11:06:42
Lai等人在自然心血管研究中发表的Lai等人的研究“多模式AI预测肥厚性心肌病中的心律失常死亡”旨在使用电子健康记录(EHR)和心脏成像透症(CIR)TORECTIC(CIR)TO HYLYERPRAST ARRYPRAST(SCC)开发一种预测模型(MAARS)。(HCM)患者。以下是他们研究的关键组成部分的概述:###研究设计 - **目标**:创建一个能够使用临床数据和基于成像的放射线特征来预测SCDA的机器学习模型。 - **数据源**: - EHR数据:从约翰·霍普金斯医院(JHH-HCM队列)的患者那里收集。 - 成像放射素学:源自晚期增强的MRI扫描。###方法论 - **模型体系结构**: - 该模型由两个分支组成,一个用于EHR数据,另一个用于成像放射线特征。 - 这些分支被整合以预测SCDA风险。 - 使用沙普利值来解释模型预测。 - **数据处理**: - 使用r中的小鼠软件包进行插补以进行缺失值。 - 从心脏MRI图像中提取放射素特征。###模型培训和验证 - **内部交叉验证**: - 该模型在JHH-HCM队列数据的子集内进行了训练和内部验证,以确保鲁棒性和概括性。 - **外部验证**: - Sanger Heart&Vascular Institute(SHVI-HCM)的单独队列用于外部验证。### 结果1。**模型性能**: - MAARS模型与预测SCDA中的单模式模型相比表现出了出色的性能。 - 与仅EHR或仅CIR的模型相比,它实现了更高的准确性,精度,召回和AUC得分。2。**解释性**: - 基于沙普利价值的解释揭示了影响SCDA预测的关键临床因素。 - 对于经历过SCDA的患者,发现年龄,左心室射血分数(LVEF)和心肌疤痕异质性等因素是重要的贡献者。###限制 - **样本量**:与内部数据相比,外部验证队列相对较小。 - **通用性**:需要进一步的研究来评估模型在当前研究人群以外的不同临床环境中的表现。### 结论MAAR的多模式AI框架为预测HCM患者的SCDA提供了有希望的工具,并整合了临床和成像数据。这可以帮助临床医生确定可能从ICD植入或增强监视的有针对性干预措施中受益的高风险个体。###未来方向 - 将验证队列扩展到包括更多多样化的人群。 - 研究纵向数据对模型性能的影响。 - 探索与电子卫生系统的实时集成以进行临床决策支持。这项研究代表了利用多模式AI的重大进步,以改善HCM中的患者结果,强调将临床和成像数据整合以进行个性化风险预测的潜在好处。