מחקרים

תוצאים בעקבות היפוך חשמלי אלקטיבי אצל מטופלים עם פרפור פרוזדורים

במחקר זה נמצא כי מודל למידת מכונה משפר את הדיוק בניבוי השבה ושימור של מקצב סינוס בהשוואה לשיטה הנוכחית

פרפור פרוזדורים (צילום: אילוסטרציה)

הגישה האינטגרטיבית להיפוך חשמלי (EC) במקרים של פרפור פרוזדורים (AF) הינה מורכבת. מועמדים להיפוך יכולים להפוך ספונטנית בעודם מחכים ל-EC, והישנות לאחר היפוך הינה נפוצה. בשל כך, ייתכן וניתן להמנע מהיפוך חשמלי במטופלים אשר ישובו למקצב סינוס (SR) באופן ספונטני או שיגיעו להישנות מוקדמת. על מנת ליצור תרשים זרימה אשר יסייע בבחירת החולים אשר זקוקים להיפוך החוקרים בצעו אנליזה של כל מקרי ההיפוך האלקטיבים שבוצעו ל-AF באמצעות למידת מכונה (ML).

המחקר כלל נתונים לגבי 429 מטופלים עם AF אשר הופנו ל-EC. לצורך אנליזה של תוצאים אצל המטופלים, החוקרים שקלו חמישה נתיבים בהתאם להשבה ושימור של SR .1. השבה ספונטנית של SR,י2. היפוך תרופתי, 3. היפוך במתח ישיר, 4. הישנות AF בתוך שישה חודשים, ו-5. איזון מקצב בתוך שישה חודשים. החוקרים השתמשו בסיווגים של ML על מנת לנבא תוצאים בכל מסלול והשוו אותם עם דירוגי CHA2DS2-VASc ו-HATCH.

תוצאות המחקר הראו כי מלבד נתיב 3. שהיה יוצא דופן, כל המודלים של למידת מכונה הובילו לדיוק רב יותר בהשוואה ל-CHA2DS2-VASc או HATCHי(p < 0.01). בהשוואה לדירוג התחרותי ביותר, האיזור תחת עקומת ROCי(AUC-ROC) היה 0.80 לעומת 0.66 עבור ניבוי 1. 0.71 לעומת 0.55 עבור 2. 0.64 לעומת 0.52 עבור 4. ו-0.66 לעומת 0.51 עבור 5. עבור ערך סף אופטמלי, אינדקס רשת הסיווג מחדש היה +7.8%, +47.2%, +28.2%, ו- +34.3% לטובת המודלים של למידת המכונה שנבדקו לניבויי תוצאים עבור הנתיבים 1., 2., 3., 4., ו-5., בהתאמה.

החוקרים סיכמו כי מודל למידת מכונה משפר את הדיוק בניבוי השבה ושימור של קצב סינוס בהשוואה לשיטה הנוכחית.

מקור:

Nuñez-Garcia et. al (2022) Journal of Clinical Medicine DOI: https://doi.org/10.3390/jcm11092636

נושאים קשורים:  מחקרים,  בינה מלאכותית,  פרפור פרוזדורים,  היפוך
תגובות