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

Διαχείριση Αιμορραγιών κατά την Αντιπηκτική Θεραπεία: Ένας Πρακτικός Οδηγός για Κλινικούς Ιατρούς

Μια νέα δημοσίευση στο European Heart Journal - Acute Cardiovascular Care παρουσιάζει έναν ολοκληρωμένο πρακτικό οδηγό για τη διαχείριση ασθενών που εμφανίζουν αιμορραγία ενώ...

mRNA γρίπης: Ποιες οι βασικές διαφορές και τα νέα πλεονεκτήματα

Ο FDA ενέκρινε το πρώτο εμβόλιο γρίπης που βασίζεται στην τεχνολογία mRNA, ανοίγοντας τον δρόμο για ένα νέο είδος εμβολίου. Το mRNA αντιγριπικό εμβόλιο θα είναι διαθέσιμο για ενήλικες 50 ετών και άνω που θέλουν...

Προσωποποιημένη διατροφή: Το μέλλον στην επιστήμη της διαιτολογίας;

Η διατροφή αποτελεί θεμελιώδη παράγοντα για την υγεία, την πρόληψη χρόνιων νοσημάτων και τη βελτίωση της ποιότητας ζωής. Παρ’ όλα αυτά, για πολλές δεκαετίες, οι διατροφικές οδηγίες...

Ετικέτες