Key points are not available for this paper at this time.
يتمثل التنبؤ بالأحداث الكبيرة غير المنتظمة (MAEs) في اعتلال عضلة القلب المتوسع في هدف سريري غير محقق. تعتبر النماذج الحاسوبية والذكاء الاصطناعي (AI) أدوات تكنولوجية جديدة يمكن أن تقدم تحسينًا كبيرًا في قدرتنا على التنبؤ بـ MAEs. في هذه الدراسة لإثبات المفهوم، نقترح نموذجًا قائمًا على التعلم العميق (DL)، الذي أطلقنا عليه اسم منع عدم انتظام القلب العميق في اعتلال عضلة القلب المتوسع (DARP-D)، تم بناؤه باستخدام بيانات الرنين المغناطيسي القلبي متعددة الأبعاد (فيديوهات سينمائية وفيديوهات فائقة وصور LGE وصور فائقة) والعوامل السريرية، بهدف التنبؤ وتتبع منحنى خطر الحوادث الكبيرة غير المنتظمة لكل مريض فردي (بما في ذلك الموت القلبي المفاجئ، وتوقف القلب بسبب الرجفان البطيني، واحتشاء بطيني مستمر يستمر لمدة ≥30 ثانية أو يسبب انهيار ديناميكي في أقل من 30 ثانية، والتدخل المناسب لجهاز إزالة رجفان القلب القابل للزرع) بمرور الوقت. تم تدريب النموذج والتحقق من صحته في 70% من عينة مكونة من 154 مريضًا يعانون من اعتلال عضلة القلب المتوسع واختباره في الـ 30% المتبقية. حقق DARP-D نسبة 95% CI في مؤشرات توافق هاريل C من 0.12–0.68 في مجموعة الاختبار. نحن نثبت أن منهجنا القائم على DL ممكن ويعتبر novelty في مجال التنبؤ بخطر عدم انتظام القلب في اعتلال عضلة القلب المتوسع، حيث يمكنه تحليل حركة القلب وخصائص الأنسجة والعوامل الأساسية للتنبؤ بمنحنى خطر الحوادث الكبيرة غير المنتظمة لكل مريض فردي. ومع ذلك، فإن العدد القليل من المرضى وMAEs وفترة التدريب تجعل النموذج نموذجًا واعدًا ولكنه غير جاهز للاستخدام السريري. هناك حاجة إلى مزيد من البحث لتحسين واستقرار والتحقق من أداء DARP-D لتحويله من تجربة AI إلى أداة مستخدمة يوميًا.
دراسة Corianò وآخرون (الخميس) هذا السؤال.