機器學習——有助于戰勝慢性心力衰竭的新預測因子
概要：
金澤大學的研究人員已經使用機器學習來預測哪些類別的慢性心力衰竭患者有可能發生心力衰竭死亡，哪些類別有可能導致心律失常性死亡或心源性猝死。如果在更大的研究中得到證實，這些結果將有助于醫生延長全球患者的壽命。
日本金澤–全球數以千萬計的人患有慢性心力衰竭，其中只有略超過一半的人在診斷后可以生存5年。現在，日本的研究人員正在幫助醫生根據患者的特定需求將其分為幾類，以改善醫療效果。
在近期發表在《核心臟病學雜志》上的一項研究中，金澤大學的研究人員已經使用計算機科學來將有可能患心律失常性心律失常的患者與有可能死于心力衰竭的患者區分開。
醫生可以使用許多方法來診斷慢性心力衰竭。但是，有必要根據每種方法的風險來更好地確定要采取的治療方法。與常規臨床測試結合使用時，稱為碘123標記的MIBG的分子可以幫助區分高危和低危患者。但是，沒有辦法單獨評估心律失常死亡的風險和心力衰竭死亡的風險，金澤大學的研究人員旨在解決這一問題。
該研究的主要作者 Kenichi Nakajima 解釋說：“我們使用人工智能表明，許多變量協同作用，可以更好地預測慢性心力衰竭的預后。 “這兩個變量本身都不完全能夠完成任務。”
為此，研究人員檢查了526例慢性心力衰竭患者的病歷，這些患者接受了連續的碘123-MIBG成像和標準臨床測試。成像后常規醫療照常進行。
Nakajima 說：“結果很明顯。” “心力衰竭死亡常見于MIBG活性非常低，紐約心臟協會等級較差和合并癥的老年患者。”
此外，心律失常常見于碘-123-MIBG活性較低且心力衰竭較輕的年輕患者。醫生可以利用金澤大學研究人員的研究結果來定制醫療服務；例如，有可能滿足患者需求的植入型除顫器。
Nakajima 解釋說：“重要的是要注意，我們的結果需要在更大的研究中得到證實。” “特別是，心律失常的結果可能太少，以至于在臨床上不可靠。”
鑒于慢性心力衰竭是一個全球性問題，在診斷后的幾年內往往會死亡，如果治療不當，必須盡快開始適當的醫療服務。通過可靠的測試可以預測哪些患者可能需要哪種治療方法，更多的患者可能會更長壽。
圖1
機器學習使用13個輸入數據來預測致命性心律失常（心源性猝死），心衰死亡和生存。
圖2
心力衰竭死亡（HFD）和致命性心律失常事件（ArE）的概率較高和較低的患者。高風險的HFD和ArE患者實際上顯示出每種預后的發生率很高，而低風險的患者的確存活下來而沒有任何事件。
文章標題
《Machine learning-based risk model using 123I-metaiodobenzylguanidine to differentially predict modes of cardiac death in heart failure》
期刊信息：核心臟病學雜志（Journal of Nuclear Cardiology）
作者：Kenichi Nakajima, Tomoaki Nakata, Takahiro Doi, Hayato Tada, Koji Maruyama
DOI: 10.1007/s12350-020-02173-6
原文鏈接：https://www.kanazawa-u.ac.jp/latest-research/81664
聲明：本文由 Newfellow 編譯，中文內容僅供參考，一切內容以英文原版為準。
關注官方微信