back to top

Πνευμονική εμβολή (ΠE) και μακροπρόθεσμες συνέπειες: Μια προσέγγιση μηχανικής μάθησης

Η πνευμονική εμβολή (ΠΕ) μπορεί να οδηγήσει σε μακροχρόνιες επιπλοκές, όπως το σύνδρομο μετά από ΠΕ, το οποίο περιλαμβάνει εμμένουσα δύσπνοια και χρόνια θρομβοεμβολική πνευμονική υπέρταση (CTEPH). Τα υπάρχοντα εργαλεία πρόγνωσης για σοβαρές επιπλοκές μετά από πνευμονική εμβολή παρουσιάζουν χαμηλή ευαισθησία και ειδικότητα. Η παρούσα μελέτη είχε στόχο την ανάπτυξη ενός μοντέλου μηχανικής μάθησης (machine learning) για τον εντοπισμό ασθενών με κίνδυνο εμφάνισης μακροχρόνιων επιπλοκών μετά από πνευμονική εμβολή. Χρησιμοποιώντας δεδομένα από το μητρώο RIETE, το μεγαλύτερο προοπτικό διεθνές μητρώο πνευμονικής εμβολής, αναπτύχθηκαν εποπτευόμενα μοντέλα μηχανικής μάθησης για την πρόβλεψη αυξημένου κινδύνου εμφάνισης CTEPH και συνδρόμου μετά από ΠΕ. Από τους 57.981 ασθενείς με πνευμονική εμβολή στο μητρώο RIETE, 5.217 πληρούσαν τα κριτήρια ένταξης. Η διάμεση ηλικία ήταν 68 έτη, με 50,6 % να είναι άνδρες. Η μηχανική μάθηση βασίστηκε σε 111 προγνωστικές μεταβλητές, ενώ 171 ασθενείς (3,3 %) ανέπτυξαν CTEPH. Το μοντέλο για την πρόβλεψη της CTEPH εμφάνισε καλή απόδοση [AUC = 0,74 (95 % CI: 0,73–0,75)], υπερέχοντας σημαντικά του υπάρχοντος προγνωστικού σκορ [AUC = 0,57; (0,54–0,61)]. Επιπλέον, 1.310 ασθενείς (25,1 %) παρουσίασαν σύνδρομο μετά από ΠΕ έξι μήνες μετά το αρχικό επεισόδιο. Το μοντέλο πρόβλεψης όμως του συνδρόμου μετά από ΠΕ είχε χαμηλότερη απόδοση [AUC = 0,62 (0,61–0,62)]. Οι κύριες προγνωστικές μεταβλητές και στα δύο μοντέλα περιελάμβαναν την παρουσία θωρακικού άλγους και τη δύσπνοια κατά την εισαγωγή, την ανατομική εντόπιση της πνευμονικής εμβολής, τα επίπεδα τροπονίνης και το σημείο εντόπισης του θρόμβου. Τα μοντέλα μηχανικής μάθησης δείχνουν ενθαρρυντικά αποτελέσματα στην πρόβλεψη της CTEPH, αλλά είναι λιγότερο αποτελεσματικά για την πρόβλεψη του συνδρόμου μετά από ΠΕ. Απαιτείται περαιτέρω βελτίωση, ιδίως με ενσωμάτωση απεικονιστικών δεδομένων, ώστε να βελτιωθεί η προγνωστική ακρίβεια και η κλινική χρησιμότητα των μοντέλων.

Άρθρο:(Nopp S, et al.& RIETE Investigators. A machine learning approach to identify patients at risk for long-term consequences after pulmonary embolism. Sci Rep. 2025 Sep 24;15(1):32744. doi: 10.1038/s41598-025-14893-1)

Πηγή: https://www.imetha.gr/

Περισσότερα Άρθρα

Σχετικά Άρθρα

Νέες Δημοσιεύσεις

Η κατανάλωση ζαχαρούχων ροφημάτων στην παιδική ηλικία σχετίζεται με αυξημένο κίνδυνο για υπέρταση στην ενήλικη ζωή

Η συστηματική κατανάλωση ζαχαρούχων ροφημάτων και χυμών φρούτων κατά την παιδική ηλικία ενδέχεται να αυξάνει τον κίνδυνο εμφάνισης υψηλής αρτηριακής πίεσης στην ενήλικη ζωή,...

Η καρδιαγγειακή υγεία επιδεινώνεται σημαντικά στην περιεμμηνόπαυση

Οι επιστήμονες υπογραμμίζουν ότι η περιεμμηνόπαυση αποτελεί ένα κρίσιμο "παράθυρο" για την αξιολόγηση της καρδιαγγειακής υγείας. Η περιεμμηνόπαυση συνδέεται ανεξάρτητα από την ηλικία με μια...

Εκτίμηση διακινδύνευσης για καρκίνο με βάση το εκθεσίωμα

Ο καθηγητής το χαρακτηρίζει ως το "χαμένο μισό" των παραγόντων κινδύνου που επηρεάζουν την καρκινογένεση. Πώς μετριέται και πώς μπορεί να ανοίξει το δρόμο...

Ετικέτες