2023 Автор: Agatha Gilson | [email protected]. Последно модифициран: 2023-08-25 04:57
Калцийът на коронарната артерия (CAC) се превърна в ценен биомарк за изображения, който предоставя директни доказателства за коронарна атеросклероза и дава ценна прогностична информация. [1] При пациенти със симптоматика има положителна корелация между повишаване на САС и наличието на обструктивна коронарна болест (CAD). [2] От друга страна е показано, че симптоматичните пациенти с нулев CAC резултат са с нисък риск от неблагоприятни сърдечно-съдови инциденти (0, 8–1, 4%). [3, 4] Повечето рискови калкулатори за оценка на вероятността преди обследване на обструктивна CAD са разработени, използвайки статистически модели в проучвания, базирани на популацията, с линейно предположение за рискови фактори за наличието на ограничаващ потока CAD. Вследствие на това вероятността от предварителните тестове на калкулаторите за текущ риск надценява действителното разпространение на обструктивната CAD. [5] Следователно, за да се подобри диагностичната ефективност на модела, са необходими по-добри модели, които интегрират оценките на САС в прогнозиране на риска.
Машинното обучение (ML) предлага алтернативен подход на стандартните статистически модели за подобряване на персонализираните прогнози. За тази цел, Al'Aref и неговите колеги, в този брой на European Heart Journal, представят ML модел, за да предскажат наличието на обструктивен CAD сред пациентите със стабилна болка в гърдите, използвайки 25 клинични и демографски фактора самостоятелно или в комбинация с оценки за САС. [6] Ансамбълното обучение беше използвано за разработване на модел на контролирано обучение за сравняване с традиционните модели за оценка на риска. Те използваха клиничния резултат на консорциума за CAD и актуализирания резултат Diamond – Forrester (UDF) за прогнозиране на обструктивна CAD. Тъй като оценката за CAC беше добавена към модела, диагностичните показатели на ML модела и клиничния резултат на консорциума CAD [площ под кривата (AUC) съответно 0.881 и 0.866] значително се подобриха. CAC беше най-прогнозната променлива в рисковия фактор + CAC ML модел, последван от възраст и пол. Освен това чувствителността, специфичността, положителната прогнозна стойност, отрицателната прогнозна стойност и точността на модела на ML се подобриха значително с добавяне на оценка на САС към модела при праг на вероятност от заболяване от 15% (80.0, 81.5, 49.1, 94.8 и 81.3% за рискови фактори + CAC ML модел). Въпреки че има подобна диагностична ефективност за рисков фактор + CAC ML и CAD консорциум + CAC модели (0.88 срещу 0.866), рисковият фактор + CAC ML моделът се представя по-добре при по-млади индивиди (<65 години), представящи се с нетипични симптоми (AUC 0.875 срещу 0.702, съответно).
Изследването на Al'Aref и неговите колеги илюстрира желанието на научната общност да използва ML за подобряване на алгоритмите за прогнозиране на сърдечно-съдовия риск. [7, 8] Като се има предвид, че ML алгоритъмът превъзхожда традиционните модели за прогнозиране на CVD, базирани на рискови фактори, особено при по-млади индивиди, как това може да се използва клинично? Въз основа на тези данни, ML модел, използващ рискови фактори и САС, може да бъде полезен, особено сред пациентите с болка в гръдния кош с нисък до среден риск, за да класифицира риска. Ако оценката на САС е нула, пациентите вероятно могат да бъдат прекласифицирани в нискорискови и може да не се нуждаят от допълнително тестване освен промяна на рисковия фактор. Положителният резултат от САС може допълнително да потвърди повишения риск и допълнителна нужда от сърдечно изследване, за да се оцени за обструктивна CAD. Нулевата оценка на САС обаче може да не успее да заснеме некалцифицирани плаки, които са по-малко стабилни и по-вероятно да се спукат. [9] Използването на ML за тези пациенти може да увеличи способностите на лекаря да потвърди риска, въпреки че оценката на САС е нула; прекласифициране на пациента като индивид с повишен или нисък риск и установяване на подходяща необходимост от допълнително изследване по време на индексно посещение (фигура 1). Индивиди със симптоми и сравнително висока вероятност за заболяване преди теста биха се възползвали директно, като се подлагат на оценка на коронарната анатомия, въпреки нулевата оценка на САС. Потенциалната роля на МЛ за по-нататъшно стратифициране на високорискови индивиди трябва да бъде разгледана в бъдещи клинични изпитвания.
(Увеличи изображението)
Фигура 1
Стратегия за първоначална оценка на пациенти, представящи стабилна болка в гърдите. Горният панел идентифицира стъпките и потенциалното клинично приложение на проучването от Al'Aref и неговите колеги. Долната част на фигурата идентифицира потенциалните характеристики, които биха могли да се използват, както и различните модели на машинно обучение, които биха могли да бъдат изучени в бъдеще за подобряване на класификацията на болестта. ИТМ, индекс на телесна маса; САС, калций на коронарната артерия; Cr, креатинин; CVA, мозъчно-съдов инцидент; ДМ, захарен диабет; HTN, хипертония; HCL, хиперхолестеролемия; HDL, липопротеин с висока плътност; ML, машинно обучение; PVD, периферна съдова болест.
Скорошен систематичен преглед не успя да обоснове твърдението, че моделите за клинично прогнозиране, основани на ML, водят до по-добри AUC, отколкото клинични прогнозни модели, базирани на прости статистически модели като логистична регресия. [10] Защо тогава все още очакваме модел, базиран на ML, да се представя по-добре от съществуващите статистически модели? Като се има предвид, че едно от предимствата на ML се състои в по-доброто прогнозиране от големи и сложни данни, които изискват множество нива на абстракция, представяне и извличане на информация, има няколко клинични фактора и методологични подходи, достойни за бъдещи съображения (Фигура 1). Първо, липсата на обструктивен CAD не означава непременно, че прогнозата е доброкачествена. По този начин, струва да се оцени съставен резултат от не обструктивно заболяване и бъдещ риск от сърдечно събитие. Второ, трябва да бъде обучен бъдещ алгоритъм за прогнозиране на наличието или отсъствието на високорисков CAD (ляв основен или три-съдов заболяване). Трето, използването на по-нови подходи като дълбоки невронни мрежи за извличане на характеристики директно от CAC изображения, включително местоположение, разпределение и модел на плътност на откриваемата калцирана плака, може допълнително да подобри диагностичния добив. Четвърто, способностите на моделите за дълбоко обучение да оценят резултата на Агатстън от всяка некомнтрастна компютърна томография на гръдния кош (КТ), нискодозови КТ или артериални калцификации при мамографиите могат да разкрият безпрецедентни възможности за скрининг. И накрая, по-новите парадигми със способности за алгоритми за задълбочено обучение за извличане на профили на сърдечен риск от лицата на лицето на пациента, [11] изображения на ретината, [12] или данни от мобилни сензори, които следят физиологичните функции и биосигнали, като ЕКГ [13], могат да помогнат изграждане на нова сплотена таксономия на латентен сърдечен риск. Докато се хранят толкова разнообразни и актуални набори от данни за фина настройка на моделите за прогнозиране на ML, ще бъде наложително валидирането на прогнозите в сценария в реалния свят. Освен това, с нарастващото използване на дълбоки генеративни модели за имитиране на изображения и данни от реалния свят, новите техники на МЛ, като генерализирани състезателни мрежи, могат да дадат възможност на лекарите да генерират и визуализират еволюцията на коронарните плаки, техния състав, разпределения и основните нестабилности като механична основа на бъдещите неблагоприятни коронарни събития. Докато проучвания като тези, представени от Al'Aref и неговите колеги, сигнализират за големия потенциал на техниките на МЛ за ускоряване и нарушаване на всеки основополагащ аспект на сърдечните клинични изследвания, наложително е да обучим ново поколение изследователи, които могат да възприемат науката за данни, за да преодолеят пропаст между прозрачните ML системи и съществуващите познания в областта.
Препоръчано:
Машини, по-добри от клиницистите, които предсказват риск от самоубийство?
Способността за точна оценка на риска от самоубийство не се е подобрила през последните 50 години, но експертите смятат, че преминаването към алгоритми, базирани на машинно обучение, може да бъде отговорът за по-добро прогнозиране
Здравословният начин на живот може частично да противодейства на генетичния коронарен риск
И обратното също изглежда вярно: "Ако случайно наследявате добри гени, може ли лош начин на живот да компенсира това? Всъщност намерихме да", казва автор на наблюдаемото проучване
Късният коронарен риск варира от лъчетерапевтична техника
Прогнозният риск варира в зависимост от това дали лъчетерапията е била правилна или лявостранна и позицията на пациента по време на лечението
Остър риск от коронарен синдром намалява със 7500 стъпки на ден
Подобрен липиден профил и обиколка на талията се наблюдават 12 месеца след хоспитализация за остър коронарен синдром при пациенти, които се занимават с цел физическа активност от 7500 стъпки на ден
Коронарен риск по-висок при пациенти с ХБП срещу пациенти с диабет
Въпреки че рискът от коронарни събития е по-нисък при пациенти с ХБН и диабет, отколкото при пациенти с предишен МИ, изследователите смятат, че ХБН може да помогне на пациентите с флаг при повишен риск от неблагоприятни резултати. Дали това е „еквивалент на риска“спрямо предходния MI, според изследователите е до голяма степен въпрос на семантиката
