Anonim

A szívkoszorúér-kalcium (CAC) értékes képalkotó biomarkerré vált, amely közvetlen bizonyítékot nyújt a koszorúér-atheroszklerózisra, és értékes prognosztikai információkat szolgáltat. [1] Tüneti betegekben pozitív korreláció van a CAC növekedése és az obstruktív koszorúér betegség (CAD) jelenléte között. [2] Másrészt kimutatták, hogy azok a tüneti betegek, akiknél a CAC pontszám nulla, alacsony a káros kardiovaszkuláris események kockázatának (0, 8–1, 4%). [3, 4] A obstruktív CAD valószínűségének becsléséhez a legtöbb kockázatkalkulátort statisztikai modellekkel fejlesztették ki a populáció-alapú tanulmányokban, az áramlást korlátozó CAD jelenlétének kockázati tényezőinek linearitási feltételezésével. Következésképpen a jelenlegi kockázati számológépek teszt előtti valószínűségei túlbecsülik az obstruktív CAD tényleges prevalenciáját. [5] Ezért jobb modellekre van szükség, amelyek integrálják a CAC pontszámokat a kockázat-előrejelzésbe a modell diagnosztikai teljesítményének javítása érdekében.

A gépi tanulás (ML) alternatív megközelítést kínál a standard statisztikai modellekhez a személyre szabott előrejelzések javításához. Ennek érdekében Al'Aref és munkatársai az European Heart Journal e számában egy ML modellt mutatnak be az obstruktív CAD jelenlétének előrejelzésére stabil mellkasi fájdalomban szenvedő betegek körében, 25 klinikai és demográfiai tényezővel önmagában vagy a CAC pontszámokkal kombinálva. [6] Az együttes tanulás során egy felügyelt tanulási modellt fejlesztettek ki, amely összehasonlítható volt a hagyományos kockázatértékelési modellekkel. A konzorcium klinikai pontszámát és a frissített Diamond-Forrester (UDF) pontszámot használták az obstruktív CAD előrejelzésére. A CAC pontszám hozzáadásával a modellhez az ML modell és a CAD konzorcium klinikai pontszámának [a görbe alatti területe (AUC) 0, 881 és 0, 866] diagnosztikai teljesítménye jelentősen javult. A CAC volt a leginkább prediktív változó a kockázati tényező + CAC ML modellben, amelyet életkor és nem követ. Ezenkívül az ML-modell érzékenysége, specifitása, pozitív prediktív értéke, negatív prediktív értéke és pontossága jelentősen javult, amikor a modell CAC-pontszáma 15% -os betegség valószínűségi küszöbérték mellett növekedett (80, 0, 81, 5, 49, 1, 94, 8 és 81, 3%). kockázati tényezők + CAC ML modell). Annak ellenére, hogy hasonló diagnosztikai teljesítménnyel bírtak a kockázati tényező + CAC ML és CAD konzorcium + CAC modellek esetében (0, 88 vs 0, 866), a kockázati tényező + CAC ML modell jobban teljesített a atipikus tüneteket mutató fiatalabb egyéneknél (<65 év) és AUC 0, 875 vs. 0, 702).

Al'Aref és munkatársai által készített tanulmány szemlélteti a tudományos közösség azon törekvését, hogy az ML felhasználásával javítsa a kardiovaszkuláris kockázat előrejelzési algoritmusait. [7, 8] Mivel egy ML algoritmus felülmúlja a hagyományos kockázati tényezőn alapuló CVD előrejelzési modelleket, különösen a fiatalabb személyekben, hogyan lehet ezt klinikailag alkalmazni? Ezen adatok alapján a kockázati tényezőket és a CAC-t használó ML-modell hasznos lehet, különösen az alacsony és közepes kockázatú, stabil mellkasi fájdalomban szenvedő betegek körében, hogy átsorolják kockázatukat. Ha a CAC-érték nulla, akkor a betegeket valószínűleg alacsony kockázatúvá lehet besorolni, és a kockázati tényező módosításán kívül esetleg nincs szükség további vizsgálatokra. A pozitív CAC pontszám tovább erősítheti a megnövekedett kockázatot, és szükség lehet további szívtesztre az obstruktív CAD értékeléséhez. A nulla CAC pontszám azonban nem biztos, hogy megragadja a nem meszesedő plakkokat, amelyek kevésbé stabilak és nagyobb valószínűséggel repednek. [9] Az ML alkalmazása ezen betegek esetében javíthatja az orvos képességét a kockázat megerősítésében annak ellenére, hogy a CAC-érték nulla; a beteg átsorolása fokozott vagy alacsony kockázatú egyénné, és meghatározzuk a megfelelő vizsgálat szükségességét az index látogatás során (1. ábra). A tünetekkel rendelkező és a vizsgálat előtti viszonylag magas betegség valószínűséggel járó személyek számára a nulla CAC-pontszám ellenére a koszorúér anatómiájának kiértékelése közvetlenül járna. A jövőbeli klinikai vizsgálatok során foglalkozni kell az ML potenciális szerepével a magas kockázatú egyének további kockázat-rétegezésében.

Kattintson a nagyításhoz (Kép nagyítása)

1.ábra.

Stratégiai mellkasi fájdalommal járó betegek kezdeti értékelésének stratégiája. A felső panel meghatározza Al'Aref és munkatársai által a vizsgálat lépéseit és lehetséges klinikai alkalmazását. Az ábra alsó része azonosítja a lehetséges tulajdonságokat, amelyek felhasználhatók, és a különböző gépi tanulási modelleket, amelyeket a jövőben meg lehet tanulmányozni a betegségek osztályozásának javítása érdekében. BMI, testtömeg-index; CAC, koszorúér-kalcium; Cr, kreatinin; CVA, cerebrovaszkuláris baleset; DM, diabetes mellitus; HTN, magas vérnyomás; HCL, hypercholesterinaemia; HDL, nagy sűrűségű lipoprotein; ML, gépi tanulás; PVD, perifériás érrendszeri betegség.

Egy nemrégiben elvégzett szisztematikus áttekintés nem támasztotta alá azt az állítást, miszerint az ML alapú klinikai predikciós modellek jobb AUC-t eredményeznek, mint az egyszerű statisztikai modelleken, például a logisztikus regresszión alapuló klinikai predikciós modellek. [10] Miért gondolhatnánk még egy ML-alapú modellt jobban, mint a létező statisztikai modellek? Tekintettel arra, hogy az ML egyik előnye a nagyobb és összetett adatok jobb előrejelzése abban rejlik, hogy többszörös absztrakciót, reprezentációt és információkeresést igényelnek, számos klinikai tényező és módszertani megközelítés megérdemli a jövőbeli megfontolásokat (1. ábra). Először, az obstruktív CAD hiánya nem feltétlenül jelenti azt, hogy a prognózis jóindulatú. Ezért érdemes volna megbecsülni a nem obstruktív betegség összetett eredményét és a szívbetegség jövőbeli kockázatát. Másodszor, egy jövőbeli algoritmust ki kellene képezni a magas kockázatú CAD jelenlétének vagy hiányának előrejelzésére (bal vagy fő ér vagy három erek betegsége). Harmadszor, az újabb megközelítések, például a mély idegi hálózatok használata a funkciók közvetlenül a CAC-képekből történő kinyerésére, ideértve a detektálható kalcifikált plakk helyét, eloszlását és sűrűségmintáját, tovább javíthatja a diagnosztikai hozamot. Negyedszer, a mély tanulási modellek képessége becsülni az Agatston-pontszámot bármilyen nem kontrasztú mellkasi komputertomográfia (CT), alacsony dózisú CT-vizsgálat vagy artériás meszesedés esetén a mammogramban példátlan szűrési lehetőségeket fedezhet fel. Végül, újabb paradigmák, amelyek képesek mélyreható tanulási algoritmusokhoz, amelyekből ki lehet vonni a szívkockázati profilokat a betegek arcvonásaitól, [11] retina képektől, [12] vagy a fiziológiai funkciókat és biológiai jeleket figyelő mobil szenzorok adataitól, például az EKG [13] új koherens taxonómiát építeni a rejtett szívkockázatról. Miközben ilyen változatos és naprakész adatkészleteket ad az ML predikciós modellek finomhangolására, elengedhetetlen az előrejelzések perspektívában történő érvényesítése a valós szcenárióban. Ezenkívül a mély generációs modellek növekvő használatával a valós képek és adatok utánozására az új ML technikák, például az általános kontradiktórius hálózatok képessé tehetik az orvosokat arra, hogy generálják és megjelenítsék a koszorúér plakkok alakulását, összetételét, eloszlását és az alapjául szolgáló instabilitást mint a jövőbeni káros koszorúér-események mechanikus alapjai. Míg az Al'Aref és munkatársai által bemutatott tanulmányok rámutatnak az ML technikák nagy lehetőségeire, hogy felgyorsítsák és megzavarják a szív klinikai kutatásának minden alapvetõ aspektusát, elengedhetetlen, hogy új kutatók generációját képzzük, akik felépíthetik az adattudományt a rés az átlátható ML rendszerek és a meglévő domain ismeretek között.