在射血分数降低型心力衰竭(heart failure with reduced ejection fraction,HFrEF)患者中,部分患者的左室射血分数(left ventricular ejection fraction,LVEF)经治疗后在后续评估中出现明显改善。2022年美国心脏学会/美国心脏病协会/美...
详细信息
在射血分数降低型心力衰竭(heart failure with reduced ejection fraction,HFrEF)患者中,部分患者的左室射血分数(left ventricular ejection fraction,LVEF)经治疗后在后续评估中出现明显改善。2022年美国心脏学会/美国心脏病协会/美国心衰学会(American Heart Association/American College of Cardiology/Heart Failure Society of America,AHA/ACC/HFSA)颁布的心力衰竭管理指南将既往LVEF≤40%且在随访过程中提升至40%以上的心力衰竭类型命名为射血分数改善型心力衰竭(heart failure with improved ejection fraction,HFimpEF)。研究表明,HFimpEF患者的全因死亡率、心力衰竭再住院率较低,预后明显优于HFrEF,可作为HFrEF患者的阶段性治疗目标。关于HFimpEF患者的热点讨论主要围绕2个方面,即HFimpEF的目标人群特征及LVEF提升的有效手段、HFimpEF患者心功能维持治疗方案;尤其是后者,尚无明确的临床指南推荐。因此,回顾现有研究,系统总结促使HFrEF向HFimpEF转归的治疗方案,以及有效针对HFimpEF的维持手段至关重要。该文对现有药物、器械、手术治疗的LVEF改善效果及HFimpEF患者的监测与治疗方法进行综述。对于HFrEF患者,现有临床研究提示β受体阻滞剂及心脏再同步治疗等能够显著改善LVEF并提升至40%以上;对于HFimpEF患者,钠-葡萄糖转运体2抑制剂及肾素-血管紧张素系统抑制剂能够有效维持患者LVEF及其心脏功能。此外,该文也提出HFimpEF现有研究的不足与未来的研究方向。
目的·分析肥厚型心肌病(hypertrophic cardiomyopathy,HCM)患者与健康对照人群的心脏磁共振(cardiac magnetic resonance,CMR)短轴电影(cine)成像影像组学特征差异,并对2类人群进行分类。方法·纳入2018年1月—2021年12月就诊...
详细信息
目的·分析肥厚型心肌病(hypertrophic cardiomyopathy,HCM)患者与健康对照人群的心脏磁共振(cardiac magnetic resonance,CMR)短轴电影(cine)成像影像组学特征差异,并对2类人群进行分类。方法·纳入2018年1月—2021年12月就诊于上海交通大学医学院附属仁济医院心内科的HCM患者100例,以2∶1比例随机选取同时期健康对照(healthy control,HC)50例,在放射科医师规范操作下完成CMR检查。通过CVI 42后处理软件完成对入组人员左心室心功能及形态学的测量与评估,主要包括左心室射血分数(left ventricular ejection fraction,LVEF)、舒张末期左心室容积(left ventricular end-diastolic volume,LVEDV)和舒张末期左心室心肌质量(left ventricular end-diastolic mass,LVEDM)。并从CMR短轴电影成像中获取舒张末期心肌区域3D影像组学特征。分析影像组学特征在2类人群中的分布,并构建机器学习模型对2类人群进行分类。结果·共提取3D影像组学特征107个。在排除高度一致的特征后采用最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)模型进行5折交叉验证后,仍有11个系数非0的特征;利用K-best方法选择排序靠前的8个用于后续建模分析,其中4个特征在2组人群中差异具有统计学意义(均P<0.05)。随后构建支持向量机(support vector machine,SVM)和随机森林(random forest,RF)模型用于判别2类人群。结果显示:单一特征模型(一阶:熵)最大曲线下面积(area under the curve,AUC)为0.833(95%CI 0.695~0.968);多特征模型(SVM算法)最高准确率为83.3%,其对应的AUC为0.882(95%CI 0.705~0.980)。结论·HCM患者与HC人群在左心室功能和左心室形态上均有显著差异,同时3D心肌影像组学特征也有显著差异。尽管单一特征模型可以鉴别2类人群,但联合多特征构建的模型有更好的分类效果。
目的·通过机器学习方法,采用临床常见实验室指标及心脏彩色多普勒超声指标,在乳腺癌患者中探究早期识别并预测新辅助治疗后发生与代谢状态改变相关的心血管疾病高风险患者的方案。方法·连续入选2020年9月—2022年9月在上海交通大学医学院附属仁济医院乳腺外科确诊的原发性浸润性乳腺癌女性患者。收集并记录患者的一般情况、实验室检查结果及心脏彩色多普勒超声结果。经过特征提取后,分别应用梯度增强(gradient boost,GB)、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)、K-近邻(K-nearest neighbour,KNN)及随机森林(random forest,RF)5种机器学习方法构建新辅助治疗后患者炎症代谢状态改变预测模型,并比较5种模型的预测性能。结果·最终纳入232例有效临床数据,其中135例为新辅助治疗前,97例为完成4个周期的新辅助治疗后。特征提取筛选出白细胞计数、血红蛋白、高密度脂蛋白、白细胞介素-2受体和白细胞介素-8这5项特征。在多特征分析中,白细胞计数+血红蛋白+高密度脂蛋白的受试者操作特征曲线下面积高于白细胞介素-2受体+白细胞介素-8(RF:0.928 vs 0.772;GB:0.900 vs 0.792;SVM:0.941 vs 0.764;KNN:0.907 vs 0.762;DT:0.799 vs 0.714),并且在RF、SVM、GB模型中的曲线下面积(0.928、0.941、0.900)及准确率(0.914、0.897、0.776)较高;与RF、GB模型(P=0.122,P=0.097)相比,SVM模型在训练集数据上校准度较好(P=0.394)。结论·SVM模型可通过纳入白细胞计数、血红蛋白、高密度脂蛋白、白细胞介素-2受体、白细胞介素-8这5项临床常见指标,在乳腺癌患者中建立早期预测新辅助治疗后代谢状态改变相关心血管疾病风险的预测模型,可能有助于临床上建立基于患者炎症代谢状态的个体化筛查方案。
暂无评论