论文部分内容阅读
扩张型心肌病(dilated cardiomyopathy,DCM)是常见的心肌疾病之一,其心血管不良预后事件的发生率高居不下,尤其是重度DCM患者。其部分原因在于目前对重度DCM患者心血管不良预后事件的预测缺乏有效手段。为了解决该问题,研究者一般从以下两个主要思路进行深入探索:其一,寻找能更有效地提示重度DCM患者发生心血管不良预后事件的特征;其二,建立能有效预测患者发生终点事件的个体化风险预测模型。因此,本文的主要工作如下:一、基于45位重度DCM患者中位随访期为13个月(四分位数,7–17月)的数据,结合基于心血管磁共振(Cardiovascular magnetic resonance imaging,CMR)增强前T1mapping序列图像心肌区域所提取的影像组学特征与常规CMR影像特征,主要通过Lasso-Cox回归对特征进行筛选,并利用留一法交叉验证的方式,以各个关键时间点的时依受试者工作特征(time-dependent receiver operating characteristics,time-dependent ROC)曲线下面积作为性能度量,验证模型的预测效能。结果显示,T1 mapping序列所得的指标——细胞外容积分数(Extracellular volume fraction,ECV)的Lasso-Cox回归系数为1.038。另外,同样有7个影像组学特征的回归系数均不为0。结合ECV与这7个影像组学特征建立的Cox回归模型预测效能优于单独使用ECV所建立的模型。因此,我们得到如下结论:ECV与部分影像组学特征均对重度DCM患者终点事件的预测有重要作用;结合ECV与这部分影像组学特征有望更好地预测重度DCM患者心血管不良预后事件的发生。二、基于两家医院98位患者的常规临床特征与影像特征,通过机器学习方法建立对重度DCM患者一年内出现心血管不良预后事件的风险预测模型。本实验先对连续各项连续变量指标按照行业专家共识转化成离散变量指标,再经过Relief-F进行特征选择,最后使用朴素贝叶斯算法得到最优模型,其在十折交叉验证下的ROC曲线下面积达到0.920(置信区间:0.868–0.972)。其效果显著优于传统预测指标左心室射血分数(left ventricular ejection fraction,LVEF)的0.504(置信区间:0.354–0.654)和心衰患者风险评分系统MAGGIC Score的0.599(置信区间:0.469–0.729)(p<0.01)。因此,我们得到如下结论:通过机器学习方法得到的风险预测模型在预测重度DCM患者一年内出现终点事件的效能优越,有机会在未来临床工作中扮演重要角色。