首页 > 中国循证心血管医学杂志 > 基于多模态超声心动图参数的机器学习算法预测二叶式主动脉瓣患者预后的价值

基于多模态超声心动图参数的机器学习算法预测二叶式主动脉瓣患者预后的价值

Prognostic value of a machine learning algorithm based on multimodal echocardiographic parameters in patients with bicuspid aortic valve

二维码有效期 120s

摘要目的基于多模态超声心动图参数的机器学习算法预测二叶式主动脉瓣(BAV)患者预后的价值.方法回顾性分析2019年6月至2023年6月于郑州市第七人民医院诊治的92例BAV患者的临床资料,依据1年随访结果将其分为预后良好组和预后不良组.Logistic回归分析影响BAV患者预后不良的危险因素,基于多模态超声心动图参数构建Logistic回归、随机森林和支持向量机(SVM)预测模型,绘制三种预测模型受试者工作特征(ROC)曲线,评估预测价值.结果预后不良组三窦二叶型主动脉瓣占比、左心室质量指数(LVMI)、升主动脉内径、主动脉瓣收缩期峰值流速水平均高于预后良好组,而主动脉瓣瓣口面积低于预后良好组(P＜0.05).Logistic回归分析显示,主动脉瓣分型(OR=5.018,95%CI:2.734～7.302,P=0.013)、LVMI(OR=5.114,95%CI:1.225～9.003,P=0.011)、升主动脉内径(OR=6.190,95%CI:1.354～11.027,P=0.001)、主动脉瓣瓣口面积(OR=4.933,95%CI:1.754～9.113,P=0.006)、主动脉瓣收缩期峰值流速(OR=5.485,95%CI:1.586～10.384,P=0.002)是影响BAV患者预后不良的危险因素.基于上述参数构建的模型中,SVM预测模型的AUC(0.914,95%CI:0.851～0.977,P＜0.001)高于Logistic回归预测模型的AUC(0.845,95%CI:0.763～0.927,P=0.002)和随机森林预测模型的AUC(0.826,95%CI:0.731～0.921,P=0.005).结论 BAV患者预后与瓣膜形态及血流动力学参数密切相关,其中SVM模型在多模态超声参数的综合分析中展现出最佳预测效能.建议针对高危因素(三窦二叶型、升主动脉扩张、LVMI增高、瓣口狭窄及血流加速)实施动态监测与干预,以改善患者预后.