使用人工智能预测心脏性能的一个重要措施
![Video-Based Deep Neural Network (DNN) Artificial Intelligence (AI) Algorithm Applied to a Coronary Angiography Input Video Angiographic videos of the left coronary artery (LCA) are first selected from a complete angiographic study using a DNN pipeline (eMethods in Supplement 1) and input into the video-based DNN algorithm to predict the left ventricular ejection fraction (LVEF). Predictions of LVEF from all available LCA videos from the same coronary angiography study, often obtained from different angiographic projections, were then averaged to obtain the final DNN-predicted LVEF for a patient. Credit: JAMA Cardiology (2023). DOI: 10.1001/jamacardio.2023.0968 使用人工智能预测心脏性能的重要措施](https://scx1.b-cdn.net/csz/news/800a/2023/using-ai-to-predict-im.jpg)
冠心病是成人死亡的主要原因。冠状动脉造影过程提供了几乎所有相关的临床诊断标准评估临床决策,从药物到冠状动脉搭桥手术。在许多情况下,量化左心室射血分数(LVEF)冠状动脉造影时优化临床决策和治疗决策至关重要,尤其是在血管造影表现为潜在的威胁生命的急性冠脉综合征(ACS)。
由于左心室心脏跳动中心,测量室提供关键信息的射血分数的百分比血液离开心脏每次收缩。目前,测定LVEF在血管摄影需要一个额外的入侵过程称为左ventriculography-where导管插入左心室和对比染料injected-which携带额外的风险和增加曝光的对比。
在发布的一项研究JAMA心脏病学、资深作者、加州大学心脏病专家杰夫•Tison医学博士英里每小时,和第一作者罗伯特·阿夫拉姆博士,蒙特利尔心脏研究所的确定深层神经网络(款),人工智能算法的一个类别,可以用来预测心脏泵(收缩)函数与标准血管造影片视频。他们开发和测试一款叫CathEF,估计LVEF的冠状动脉造影图像从左边的心脏。
CathEF”提供了一个新颖的方法,利用定期收集的数据在每一个血管造影为临床医生提供信息,目前没有在血管摄影,有效扩大医疗数据与人工智能的工具,提供实时LVEF信息通知临床决策,“Tison说,加州大学旧金山分校医学副教授和心脏病。
研究人员进行了横断面研究的4042名成人血管造影与相应的经胸廓的患者超声心动图(tte)从3679年加州大学旧金山分校和训练一个神经网络视频估计减少LVEF(小于等于40%)和预测(连续)LVEF百分比从标准的左冠状动脉血管造影视频。
结果表明,CathEF准确预测LVEF,具有较强的相关性,超声心动图LVEF测量,标准的临床方法。模型也是外部验证在实际从渥太华心脏研究所血管造影检查。表现良好的算法在不同的患者人口统计学和临床条件,包括急性冠脉综合征和不同程度的肾function-patient人口,可能不太适合接收标准左心室造影程序。
“这项研究提出了一种新颖的方法来评估LVEF,心脏功能的重要措施,在任何常规冠状动脉造影而不需要额外的程序或增加成本,”阿夫拉姆说,一个介入心脏病学家和前加州大学旧金山分校研究员。“LVEF是必不可少的决策程序和管理病人护理。"
虽然算法训练在一个庞大的数据集上分别从加州大学旧金山分校的血管造影,然后验证数据集从渥太华心脏研究所,调查人员正在进行进一步的研究来测试该算法在现阶段对临床工作流程并确定其影响病人心脏病发作。为此,ACS患者的多中心前瞻性验证研究进行比较的性能与tt CathEF和左心室造影表现ACS的7天内。
“这项工作表明,人工智能技术有潜力减少侵入性测试的需要,提高心脏病专家的诊断能力,最终提高患者的治疗效果和生活质量,“Tison说。
更多信息:自动评估心脏收缩功能的视频的冠状动脉造影图像从对人工智能算法,JAMA心脏病学(2023)。DOI: 10.1001 / jamacardio.2023.0968