Nghiên cứu mới đây đã phát triển một phương pháp dự đoán tỷ lệ bơm ra của tâm thất trái từ video của động mạch vành trái bằng mạng thần kinh sâu dựa trên video. Kết quả cho thấy mạng DNN có khả năng phân biệt được tỷ lệ bơm ra tâm thất trái giảm và dự đoán tỷ lệ bơm ra tâm thất liên tục từ video của động mạch vành trái với độ chính xác tương đối cao. Tuy nhiên, cần cẩn trọng trong việc giải thích các dự đoán của mạng DNN.
Giới thiệu
Nghiên cứu này nhằm phát triển một phương pháp tự động để dự đoán tỷ lệ trút ngược của tâm thất trái (LVEF) từ các phim mạch máu tế bào của động mạch ngoại vi. Tác giả sử dụng một mạng nơ-ron sâu đặc biệt cho video (DNN) được gọi là CathEF để phân biệt LVEF giảm (≤ 40%) và để dự đoán tỷ lệ LVEF liên tục từ các video mạch máu tế bào của động mạch ngoại vi trái.
Tóm tắt nghiên cứu
Trong nghiên cứu chéo này, trong số 4042 phim mạch máu tế bào người lớn được phù hợp với 3679 phim siêu âm transthoracic echocardiogram (TTE) tương ứng, một mạng nơ-ron sâu dựa trên video đã được huấn luyện để ước tính tỷ lệ LVEF giảm với diện tích dưới đường cong đặc trưng hoạt động của 0,911. Video-based DNN (CathEF) có khuynh hướng đánh giá cao LVEF thấp và đánh giá thấp LVEF cao.
Nghiên cứu này đã được xác thực bên ngoài sử dụng dữ liệu từ 3679 bệnh nhân từ UCSF từ năm 2012 đến 2019. Dữ liệu xác thực bên ngoài cũng được thu thập từ Viện Tim Ottawa của Đại học Ottawa. Tổng cộng 4042 phim mạch máu tế bào người lớn với LVEF TTE tương ứng từ 3679 bệnh nhân UCSF đã được bao gồm trong phân tích (độ tuổi trung bình [SD], 64,3 [13,3] tuổi, 65% bệnh nhân nam).
Ở tập dữ liệu UCSF (n = 813), video-based DNN đã có thể phân biệt LVEF giảm với diện tích dưới đường cong đặc trưng hoạt động (AUROC) của 0,911 (95% CI, 0,887 – 0,934); tỷ lệ khả năng chẩn đoán cho LVEF giảm là 22,7 (95% CI, 14,0 – 37,0). Dự đoán LVEF liên tục do DNN được phát hiện có sai số trung bình (MAE) là 8,5% (95% CI, 8,1% – 9,0%) so với LVEF TTE. Mặc dù tỷ lệ LVEF liên tục được dự đoán bởi DNN khác 5% hoặc ít hơn so với LVEF TTE trong khoảng 38% số liệu thử nghiệm, khoảng cách lớn hơn 15% đã được quan sát trong 15,2%.
Ngoài ra, trong xác thực bên ngoài (n = 776), video-based DNN phân biệt LVEF giảm với AUROC của 0,906 (95% CI, 0,881 – 0,931), và dự đoán LVEF liên tục của DNN có MAE là 7,0% (95% CI, 6,6% – 7,4%).
Kết luận
Nghiên cứu này cho thấy tiềm năng của việc ước tính LVEF từ các video mạch máu tế bào tiêu chuẩn của động mạch ngoại vi trái bằng DNN dựa trên video. Tuy nhiên, cần thận trọng khi diễn giải các dự đoán DNN.
Hỏi đáp về nội dung bài này
Câu hỏi 1: Nghiên cứu này nhằm mục đích gì?
Nghiên cứu này nhằm phát triển một phương pháp tự động để dự đoán tỷ lệ truyền dịch bất thường của thất trái từ các video nội soi động mạch vành trái.
Câu hỏi 2: DNN CathEF có thể phân loại được LVEF giảm trong tập dữ liệu từ UCSF không?
Có, trong tập dữ liệu từ UCSF, DNN video có thể phân loại được LVEF giảm với diện tích dưới đường cong hoạt động thu được (AUROC) là 0,911.
Câu hỏi 3: DNN CathEF có thể dự đoán tỷ lệ LVEF trong tập dữ liệu từ UCSF không?
Có, trong tập dữ liệu từ UCSF, DNN video có thể dự đoán tỷ lệ LVEF với sai số trung bình tuyệt đối (MAE) là 8,5% so với LVEF TTE.
Câu hỏi 4: DNN CathEF có thể phân loại được LVEF giảm trong tập dữ liệu kiểm tra bên ngoài không?
Có, trong tập dữ liệu kiểm tra bên ngoài, DNN video có thể phân loại được LVEF giảm với diện tích dưới đường cong hoạt động thu được (AUROC) là 0,906.
Câu hỏi 5: DNN CathEF có điểm mạnh và hạn chế gì?
Điểm mạnh của DNN CathEF là kích thước mẫu lớn. Hạn chế của nó là DNN video có xu hướng đánh giá thấp LVEF và đánh giá cao LVEF.
Nguồn thông tin được tham khảo từ trang web: www.2minutemedicine.com
Nội dung được biên tập, sáng tạo thêm bởi: diendanykhoa.vn
