ИИ для стратификации рисков: мультимодальные модели глубокого обучения предлагают улучшенный прогноз при тромбоэмболии легочной артерии

Таблица ссылок

Аннотация

1. Введение
2. Методы
3. Результаты
4. Обсуждение
5. Выводы, благодарности и список литературы

5. Выводы

Мультиомные модели глубокого обучения, основанные на комбинированных характеристиках КТПА и клинических переменных, продемонстрировали улучшенную производительность по сравнению с использованием только индекса PESI для прогнозирования смертности при ТЭЛА. Добавление PESI к мультимодальной модели показало лишь незначительное улучшение производительности, что свидетельствует о том, что модели на основе ИИ достаточно способны прогнозировать выживаемость. Мультимодальные модели аналогично улучшили производительность по сравнению с использованием только PESI при оценке риска 30-дневной смертности. Посредством анализа NRI было независимо показано, что клинические данные и данные визуализации способствуют улучшению производительности мультимодальной модели. Эти результаты демонстрируют преимущество мультимодальной модели глубокого обучения по сравнению с текущим клиническим стандартом PESI, превращая прогнозирование в интеллектуальный процесс, интегрирующий более широкую клиническую информацию и данные визуализации. Кроме того, мы продемонстрировали согласованность нашей модели с клиническими индикаторами смертности, такими как дисфункция правого желудочка. Дальнейший анализ может пролить больше света на взаимосвязь различных факторов риска со смертностью у пациентов с ТЭЛА и на то, как эта информация может быть использована для разработки модели прогнозирования выживаемости. Однако преимущества нашей модели могут быть подтверждены только дополнительной валидацией на более крупных и разнообразных наборах данных, а также проспективным тестированием разработанных моделей.

\ Наше исследование подчеркивает полезность моделей на основе глубокого обучения в прогнозировании и стратификации риска у пациентов с ТЭЛА. ИИ имеет потенциал для улучшения клинического рабочего процесса для радиологов и клиницистов, предоставляя быструю и точную диагностическую и прогностическую информацию. Предлагая своевременную и точную стратификацию риска для пациентов с ТЭЛА, ИИ может предоставить существенную пользу пациентам и поставщикам медицинских услуг, информируя о принятии клинических решений, потенциально улучшая исходы пациентов.

Благодарности

Отсутствуют.

Список литературы

1. Beckman MG, Hooper WC, Critchley SE, Ortel TL. Venous thromboembolism: a public health concern. American journal of preventive medicine. 2010;38(4):S495-S501.

   \

2. Lewis AE, Gerstein NS, Venkataramani R, Ramakrishna H. Evolving management trends and outcomes in catheter management of acute pulmonary embolism. Journal of Cardiothoracic and Vascular Anesthesia. 2022;36(8):3344-3356.

   \

3. Goldhaber SZ, Bounameaux H. Pulmonary embolism and deep vein thrombosis. The Lancet. 2012;379(9828):1835-1846.

   \

4. Piazza G, Goldhaber SZ. Acute pulmonary embolism: part I: epidemiology and diagnosis. Circulation. 2006;114(2):e28-e32.

   \

5. Aujesky D, Obrosky DS, Stone RA, et al. Derivation and validation of a prognostic model for pulmonary embolism. American journal of respiratory and critical care medicine. 2005;172(8):1041-1046.

   \

6. Donzé J, Le Gal G, Fine MJ, et al. Prospective validation of the pulmonary embolism severity index. Thrombosis and haemostasis. 2008;100(05):943-948.

   \

7. Ishwaran H, Kogalur UB, Blackstone EH, Lauer MS. Random survival forests. 2008;

   \

8. Fox J, Weisberg S. Cox proportional-hazards regression for survival data. An R and S-PLUS companion to applied regression. 2002;2002

   \

9. Katzman JL, Shaham U, Cloninger A, Bates J, Jiang T, Kluger Y. DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC medical research methodology. 2018;18(1):1-12.

   \

10. Oren O, Gersh BJ, Bhatt DL. Artificial intelligence in medical imaging: switching from radiographic pathological data to clinically meaningful endpoints. The Lancet Digital Health. 2020;2(9):e486-e488.

    \

11. Weikert T, Winkel DJ, Bremerich J, et al. Automated detection of pulmonary embolism in CT pulmonary angiograms using an AI-powered algorithm. European radiology. 2020;30:6545-6553.

    \

12. Huang S-C, Kothari T, Banerjee I, et al. PENet—a scalable deep-learning model for automated diagnosis of pulmonary embolism using volumetric CT imaging. NPJ digital medicine. 2020;3(1):61.

    \

13. Huang S-C, Pareek A, Zamanian R, Banerjee I, Lungren MP. Multimodal fusion with deep neural networks for leveraging CT imaging and electronic health record: a case-study in pulmonary embolism detection. Scientific reports. 2020;10(1):22147.

    \

14. Liu W, Liu M, Guo X, et al. Evaluation of acute pulmonary embolism and clot burden on CTPA with deep learning. European radiology. 2020;30:3567-3575.

    \

15. Yao J, Zhu X, Zhu F, Huang J. Deep correlational learning for survival prediction from multi-modality data. Springer; 2017:406-414.

    \

16. Vale-Silva LA, Rohr K. Long-term cancer survival prediction using multimodal deep learning. Scientific Reports. 2021;11(1):13505.

    \

17. Meyer G, Vicaut E, Danays T, et al. Fibrinolysis for patients with intermediate-risk pulmonary embolism. New England Journal of Medicine. 2014;370(15):1402-1411.

    \

18. Hofmanninger J, Prayer F, Pan J, Röhrich S, Prosch H, Langs G. Automatic lung segmentation in routine imaging is primarily a data diversity problem, not a methodology problem. European Radiology Experimental. 2020;4(1):1-13.

    \

19. Harrell Jr FE, Lee KL, Califf RM, Pryor DB, Rosati RA. Regression modelling strategies for improved prognostic prediction. Statistics in medicine. 1984;3(2):143-152.

    \

20. Leening MJ, Vedder MM, Witteman JC, Pencina MJ, Steyerberg EW. Net reclassification improvement: computation, interpretation, and controversies: a literature review and clinician's guide. Annals of internal medicine. 2014;160(2):122-131.

    \

21. Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. Journal of the American statistical association. 1958;53(282):457-481.

    \

22. Grifoni S, Olivotto I, Cecchini P, et al. Short-term clinical outcome of patients with acute pulmonary embolism, normal blood pressure, and echocardiographic right ventricular dysfunction. Circulation. 2000;101(24):2817-2822.

    \

23. Coutance G, Cauderlier E, Ehtisham J, Hamon M, Hamon M. The prognostic value of markers of right ventricular dysfunction in pulmonary embolism: a meta-analysis. Critical care. 2011;15:1-10.

    \

24. Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep learning–based multi-omics integration robustly predicts survival in liver cancer. Clinical Cancer Research. 2018;24(6):1248-1259.

    \

25. Somani SS, Honarvar H, Narula S, et al. Development of a machine learning model using electrocardiogram signals to improve acute pulmonary embolism screening. European Heart Journal-Digital Health. 2022;3(1):56-66.

    \

26. Tourassi GD, Floyd CE, Sostman HD, Coleman RE. Acute pulmonary embolism: artificial neural network approach for diagnosis. Radiology. 1993;189(2):555-558.

    \

27. Soffer S, Klang E, Shimon O, et al. Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Scientific reports. 2021;11(1):15814.

    \

28. Elias A, Mallett S, Daoud-Elias M, Poggi J-N, Clarke M. Prognostic models in acute pulmonary embolism: a systematic review and meta-analysis. BMJ open. 2016;6(4):e010324.

    \

29. Cahan N, Klang E, Marom EM, et al. Multimodal fusion models for pulmonary embolism mortality prediction. Scientific Reports. 2023;13(1):1-15.

Рисунок

\

\

\

\

\

\

\ Подробные характеристики пациентов по клиническим переменным PESI, используемым для расчета показателя PESI для каждого пациента.

\ Все непрерывные переменные представлены