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

ΕΠΙΣΤΗΜΟΝΙΚΑ ΚΙ … ΑΛΛΑ”από τον Ομ. Καθηγητή, Ιωάννη , 17.4.2026 –Ελληνικές διακρίσεις  στο ACC  26

H AI παρουσίασε ήρωα της ελληνικής επανάστασης με… καλάσνικοφ αντί για καριοφίλι. Εδώ που τα λέμε που να  βρει κουμπούρια και καρυοφίλια! Να δούμε...

Καρκίνος του πνεύμονα: Η πρόσβαση στις καινοτόμες θεραπείες παραμένει ζητούμενο για τους ασθενείς

Αναμένοντας την έναρξη του πιλοτικού προγράμματος προσυμπτωματικού ελέγχου για τον καρκίνο του πνεύμονα, που έχει καθυστερήσει 2 χρόνια, η ιδρύτρια και πρόεδρος της Οργάνωσης Fair Life...

Νέα στελέχη γρίπης και COVID εξαπλώνονται

Η παραλλαγή υποκλάδου Κ είναι αποτέλεσμα αντιγονικής μετατόπισης. Οι επιστήμονες παρακολουθούν στενά νέα στελέχη του ιού της γρίπης και του SARS-CoV-2. Να τι γνωρίζουμε για...

Ετικέτες