Ein maschinenlernabgeleiteter Risikoscore zur Vorhersage einer diastolischen Dysfunktion des linken Ventrikels anhand klinischer kardiovaskulärer Magnetresonanztomographie

Einführung Die Evaluation einer diastolischen Dysfunktion des linken Ventrikels (LVDD) durch klinische kardiale Magnetresonanz (CMR) bleibt eine Herausforderung. Unser Ziel war es, einen maschinenlernalgorithmus (ML) zur Bewertung von LVDD anhand klinischer CMR-Variablen zu trainieren und zu evaluieren sowie dessen prognostischen Wert zur Vorhersage von Krankenhausaufenthalten aufgrund von Herzinsuffizienz und der Gesamtmortalität zu untersuchen. Methoden LVDD wurde gemäß den ASE-Richtlinien durch Echokardiographie charakterisiert. Acht demografische und neunzehn gängige klinische CMR-Variablen, einschließlich verzögerter Kontrastmittelanreicherung, wurden verwendet, um Random Forest-Modelle mit einem bayesschen Optimierer zu trainieren. Das Modell wurde anhand von Bootstrap und einer fünfmaligen Kreuzvalidierung evaluiert. Die Fläche unter der ROC-Kurve (AUC) wurde zur Bewertung der Modellleistung verwendet. Ein ML-Risikoscore wurde eingesetzt, um das Risiko eines Krankenhausaufenthalts aufgrund von Herzinsuffizienz und der Gesamtmortalität zu stratifizieren. Ergebnisse Insgesamt unterzogen sich 606 aufeinanderfolgende Patienten innerhalb von 7 Tagen einer CMR und einer Echokardiographie zur Bewertung kardiovaskulärer Erkrankungen. LVDD war bei 303 Probanden durch Echokardiographie vorhanden. Die Leistung des ML-Algorithmus war gut, wobei allein die CMR-Variablen einen AUC von 0.868 (95% CI: 0.811–0.917) ergaben, was sich durch die Kombination mit demografischen Daten auf einen AUC von 0.895 (95% CI: 0.845–0.939) verbesserte. Der Algorithmus schnitt gut in einer unabhängigen Validierungsgruppe ab mit einem AUC von 0.810 (0.731–0.874). Probanden mit höheren ML-Scores (0.4121) waren mit einem erhöhten angepassten Hazard Ratio für ein zusammengesetztes Ergebnis verbunden als Probanden mit niedrigeren ML-Scores (1.72, 95% Konfidenzintervall 1.09–2.71). Diskussion Ein ML-Algorithmus, der auf Variablen basiert, die aus klinischen CMR-Daten abgeleitet sind, ist effektiv in der Identifizierung von Patienten mit LVDD und bei der Bereitstellung von Prognosen für adverse klinische Ergebnisse.