基于机器学习的风险分层方法：利用心脏磁共振（CMR）的体积和应变参数对肥厚型心肌病患者进行评估

《The International Journal of Cardiovascular Imaging》：A machine Learning-Based risk stratification using CMR volumetric and strain parameters in patients with hypertrophic cardiomyopathy

本研究通过机器学习整合临床、超声心动图及CMR参数，评估肥厚型心肌病（HCM）长期预后分层效果。结果显示，结合左心室应变（LA strain）的模型预测性能最优（AUC=0.840），显著分层低、中、高风险组（0%、27.3%、77.8%），且SHAP分析证实LA应变与传导功能相关是主要预测因子。该模型为HCM预后管理提供了新方法。

　　

摘要

肥厚型心肌病（HCM）是一种遗传性心肌疾病，与猝死、心房颤动（AF）和中风有关，患者的预后差异很大。准确的长期风险预测需要全面评估心脏功能，包括左心房的功能，但传统的临床和超声心动图指标可能无法完全反映疾病进展的复杂性。本研究旨在开发一种基于机器学习的模型，整合临床、超声心动图和CMR（心脏磁共振）参数，以改善HCM患者的预后风险分层。2008年6月至2016年1月期间，共有223名患者参与了分析，这些患者提供了完整的人口统计学、临床、超声心动图和CMR数据。临床结局的复合指标包括全因死亡率、植入式心脏复律除颤器放电、心力衰竭相关住院、新发心房颤动和新发缺血性中风。评估了五种机器学习方法。结合CMR参数的模型表现优于仅基于临床和超声心动图数据的模型。在所有模型中，结合临床、超声心动图和左心房（LA）应变参数的惩罚逻辑回归模型显示出最高的预测性能（AUC = 0.840，C指数 = 0.795），并有效地对长期风险进行了分层（低风险组：0%，中等风险组：27.3%，高风险组：77.8%，p = 0.002）。此外，左心房应变模型在各个结局指标上都表现出稳健的预测性能。Shapley加性解释（SHAP）值分析表明，与传导功能相关的左心房应变是最重要的预测因素。CMR参数为HCM患者提供了额外的预测信息，其中左心房应变的表现始终优于其他变量。基于机器学习的方法可以有效地整合多个变量，为长期风险分层提供有效途径。

图形摘要

本文介绍了使用基于机器学习的方法开发肥厚型心肌病患者风险分层工具的过程。图形摘要概述了该研究的整体设计。为避免多共线性导致的过拟合，并捕捉不同参数之间的非线性关系，我们应用基于机器学习的方法整合HCM患者的临床、超声心动图和CMR参数。在各种模型中，结合临床、超声心动图数据以及通过CMR获得的左心房应变数据的模型表现最佳。左心房应变在所有临床结局指标上都表现出稳健的预测性能。最后，结合正则化的基于机器学习的模型能够有效对HCM患者的临床结局风险进行分层。注：心脏图像来源于NIAID NIH BIOART（bioart.Niaid.Nih.Gov/bioart/228）。缩写说明：CMR：心脏磁共振；E/e’：二尖瓣早期流入速度与二尖瓣早期舒张期环速度的比值；ivsd：舒张期室间隔厚度；LA：左心房；LAEF：左心房排空分数；LGE：晚期钆增强；LV：左心室；LVEF：通过超声心动图测量的左心室射血分数；lvidd：舒张期左心室内部尺寸；lvids：收缩期左心室内部尺寸；lvpwd：左心室后基底游离壁厚度；SCD：猝死；SHAP：Shapley加性解释；SR：应变率