新工具预测在炎症性心脏病猝死
![A model of a patient’s heart is constructed from the MRI and PET scans. Color bands represent the electrical wave of the irregular heartbeat. Johns Hopkins scientists used data from the heart models to train their prediction algorithm. Credit: Johns Hopkins University 新工具预测在炎症性心脏病猝死](https://scx1.b-cdn.net/csz/news/800a/2021/new-tool-predicts-sudd.jpg)
约翰霍普金斯大学的科学家开发了一个新工具预测哪些病人患有复杂的炎症性心脏病心脏骤停的风险。发表在科学的进步,他们的方法是第一个病人的心的结合模型由多个图像与机器学习的力量。
“这健壮的新的个性化技术优于临床指标在预测未来心律失常并可能改变心脏结节病病人的管理,”资深作者Natalia Trayanova说约翰霍普金斯大学生物医学工程教授和主任的心血管疾病的诊断和治疗的创新联盟(推进)。
医生目前没有精确的方法来评估患者的心脏结节病,一个条件导致炎症和疤痕,可以触发不规则的心跳,很可能有一个致命的心律失常,这意味着一些病人不生存,而其他人接受uncecessary,侵入性的干预措施。最近的一项荟萃分析中提到的研究发现,大约只有三分之一的CS病人得到充分的治疗。
“临床迫切需要更好的预测工具,“Trayanova说,世卫组织还约翰霍普金斯医学院的教授。“一些CS病人死亡,经常在他们的生活,而其他人则不必要的除颤器植入,经常处理并发症,包括感染,设备故障,和不适当的冲击,没有收到任何实际的好处。”
在他们的研究中,研究人员建立了数字化的三维模型的心45 CS约翰霍普金斯医院的病人。要做到这一点,他们把新方法相结合的数据从两种不同的心脏扫描:对比增强心脏核磁共振成像,而检测纤维化或瘢痕,PET扫描,检测炎症。
“这些个性化的心脏模型是第一个创建的数据来自多个成像模式,“Trayanova说,实验室开创了机械建模技术的心脏。“纤维化和炎症的影响以前从未在心脏模型。”
该团队使用计算机模拟应用一系列的电子信号在每个模型和不同地点聚集数以百万计的数据点测量每一个心的反应。
:“我们收集非常高维数据,目的是了解各种特性的疤痕和炎症影响心跳,“Trayanova说。
团队然后从机械的组合数据模拟,以及额外的病人和成像数据,开发和培养一个算法来预测心律失常的可能性导致心脏骤停。
“在一种复杂的疾病,如CS,疤痕和炎症,学习机械仿真结果允许我们将他们真实的结果,”朱莉阴影,该研究的第一作者,博士生在Trayanova实验室生物医学工程。
工具显著优于标准预测CS心脏骤停患者的临床指标。
细化算法,该小组还进行了密集交叉验证的过程,评估是否相同的精度达到不同的子集数据删除时,表明该工具如何执行未来的病人。总之,团队进行了560次迭代的交叉验证。
“我们能够估计新患者的工具的准确性95%信心,意思我们相对确定的算法不会有偏见的训练数据,因此它应该准确的应用到新病人,“阴影表示。
最后,团队相比他们的模拟对扫描病变患者的心随后经历了一个过程重置他们的心跳,发现他们的预测与实际结果一致。
大型临床研究需要,但团队希望他们可以改变患者CS的管理工具,降低不必要的除颤器植入设备的数量,同时确保患者心脏性猝死的风险受到保护。
根据Trayanova,个性化的协同使用模型和机器学习,以前从未被用于解决一个问题在心血管医疗,也可以帮助解决面临的最大挑战之一实现人工智能医疗:缺乏数据。
“为了实现精密,AI-powered疾病预测技术通常需要大量的数据从不同的病人,池”Trayanova说。但在这种情况下数据从心脏模型的复杂性简化学习过程。”,因为心模型体现的,确定的原则,不需要学习的算法,预测风险可以获得优良的性能在小病人群,”她说。
更多信息:朱莉·k .阴影等预测心源性猝死的风险患者心脏结节病在多变量中使用多峰性成像技术和个性化的心脏模型分类器,科学的进步(2021)。DOI: 10.1126 / sciadv.abi8020