机器学习在心脏再同步治疗早期推荐中的应用
机器学习
2021-09-14 v1 人工智能
神经与进化计算
摘要
心力衰竭（HF）是发病率、死亡率和医疗花费的主要成因。HF 可伴发心肌内传导延缓，而一种器械驱动的方法，称为心脏再同步治疗（CRT），可改善左心室（LV）心肌传导模式。尽管 CRT 的功能获益已得到证实，但接受 CRT 的 HF 患者中有很大比例（30-50%）未显示出充分改善。此外，前瞻性识别可受益于 CRT 的 HF 患者仍是临床挑战。因此，有效预测那些可从 CRT 获得功能获益的 HF 患者的策略具有重大医疗与社会经济意义。为此，我们使用分类 HF 患者的机器学习方法，即聚类分析、决策树和人工神经网络，来建立 CRT 后个体结局的预测模型。在 CRT 前与 CRT 后收集 HF 患者的临床、功能和生物标志物数据。将 6 个月时 LV 容积减小的前瞻性终点定义为 CRT 应答。使用此方法（418 名应答者，412 名无应答者），每人 56 个参数，我们能以超过 95% 的成功率基于其对 CRT 的应答对 HF 患者分类。我们已证明，使用机器学习方法能以高概率识别具有阳性 CRT 应答的 HF 患者（95% 准确率），且同样重要的是，识别那些不能从 CRT 获得功能获益的 HF 患者。将该方法发展为协助 HF 患者 CRT 使用临床决策的算法，有望改善结局并降低医疗成本。
引用
@article{arxiv.2109.06139,
title = {Application of Machine Learning in Early Recommendation of Cardiac Resynchronization Therapy},
author = {Brendan E. Odigwe and Francis G. Spinale and Homayoun Valafar},
journal= {arXiv preprint arXiv:2109.06139},
year = {2021}
}
备注
10 Pages, 8 Figues, 4 Tables. The 7th International Conference on Health Informatics & Medical Systems