Mayo Clin Proc：机器学习通过超声心动图诊断肺动脉高压

研究背景：

肺动脉高压（PH）是一种心血管疾病，通常导致患者预后不佳。早期PH的及时发现对于采取有效的治疗措施至关重要，而超声心动图是一种常用的非侵入性检查工具。在这项研究中，我们探讨了一种基于机器学习（ML）的模型，通过超声心动图期间的测量和印象，对PH进行准确的预测，特别是在缺乏三尖瓣反流速度信息的情况下。

研究方法：

我们纳入了7853例连续进行右心导管检查和胸部超声心动图的患者，时间跨度自2012年1月1日至2019年12月31日。研究数据被分为训练组、验证组和测试组，其中梯度提升机被选为ML模型，并通过列举的网格搜索进行优化。模型的训练目标是PH，定义为右心导管检查显示平均肺动脉压高于20 mm Hg。为了评估模型性能，我们采用了5倍交叉验证，最大化接收器操作特征曲线下面积。

研究结果：

在研究队列中，年龄平均为64±14岁，44%为女性，81%的患者患有PH。最终训练的ML模型包括超声心动图中得出的19个特征、测量或印象。在测试数据中，该模型对PH的检测表现出较高的判别能力，其接收器操作特征曲线下面积为0.83。此外，该模型的准确性、敏感性、阳性预测值和阴性预测值分别为82%、88%、89%和54%。

研究结论：

通过机器学习方法，我们成功地开发了一种基于超声心动图数据的模型，用于预测PH的发生。该模型在测试中表现出良好的性能，对于缺乏三尖瓣反流速度信息的情况下的PH预测具有潜在的临床应用前景。这种方法为快速而准确地筛查患有PH风险的患者提供了一种新途径，有望在未来的临床实践中发挥重要作用。这项研究为ML在心血管领域的应用提供了新的见解，并强调了其在非侵入性检查结果解释中的潜在价值。

原始出处：

Anand V, Weston AD, Scott CG, Kane GC, Pellikka PA, Carter RE. Machine Learning for Diagnosis of Pulmonary Hypertension by Echocardiography. Mayo Clin Proc. 2024 Feb;99(2):260-270. doi: 10.1016/j.mayocp.2023.05.006. PMID: 38309937.