补骨脂注射液价格 https://m-mip.39.net/baidianfeng/mipso_4325347.html哈尔滨医院候静波审校本文刊选自《ESCCardiovascular中文版》第7期。原文出处：F.Commandeuretal.,Machinelearningtopredictthelong-termriskofmyocardialinfarctionandcardiacdeathbasedonclinicalrisk,coronarycalcium,andepicardialadiposetissue:aprospectivestudy.CardiovascularResearch(),–.
目的
本研究旨在无症状患者中评估综合了临床参数、冠状动脉钙化（coronaryarterycalcium，CAC）和自动心外膜脂肪组织（epicardialadiposetissue，EAT）定量检测的机器学习（machinelearning，ML）对心肌梗死（myocardialinfarction，MI）和心源性死亡长期风险的预测性能。
方法和结果
本研究从前瞻性EISNER试验（CAC评分后长期随访）中纳入例无症状受试者[例（58.4%）男性，年龄：55.8±9.1岁]。采用一种全自动深度学习方法定量EAT体积和密度。使用临床协变量、血脂测量值、风险因素、CAC、主动脉钙化和自动EAT测量值对ML极端梯度提升方法进行训练，并使用重复十折交叉验证法对其进行验证。平均随访14.5±2年期间，发生了76例MI和/或心源性死亡事件。ML用于预测事件获得的AUC显著高于动脉粥样硬化性心血管疾病（atheroscleroticcardiovasculardisease，ASCVD）风险评分和CAC评分（ML：0.82；ASCVD：0.77；CAC：0.77，所有P0.05）。具有更高ML评分（根据Youden指数）的受试者发生事件的风险较高（HR：10.38，P0.）；在纳入ASCVD-风险和CAC指标的多变量分析中，这种关系持续存在（HR：2.94，P=0.）。年龄、ASCVD风险评分和CAC在两种性别中均具有预后重要性。在女性中，收缩压比胆固醇更为重要，在男性中则相反。
结论
在本项前瞻性研究中，与标准临床风险评估相比，整合了临床和定量影像学变量的机器学习显著改善了MI和心源性死亡的预测。随着进一步的验证，这种个体化模式可被应用于改善心血管风险评估。
关键词机器学习?心外膜脂肪组织?冠状动脉钙化评分?心肌梗死和心源性死亡
1.引言
采用非增强计算机断层扫描（
转载请注明：http://www.zhuanjiz.com/gbms/9712.html
当前位置： 冠状动脉造影 > 冠状动脉疾病描述 > 全文基于临床风险冠状动脉钙化心外
