論文の概要: Improving Risk Stratification in Hypertrophic Cardiomyopathy: A Novel Score Combining Echocardiography, Clinical, and Medication Data
- arxiv url: http://arxiv.org/abs/2603.26254v1
- Date: Fri, 27 Mar 2026 10:22:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.444234
- Title: Improving Risk Stratification in Hypertrophic Cardiomyopathy: A Novel Score Combining Echocardiography, Clinical, and Medication Data
- Title（参考訳）: 肥大型心筋症におけるリスクストラテフィケーションの改善 : 心エコー, 臨床, メディカルデータを組み合わせた新しいスコア
- Authors: Marion Taconné, Valentina D. A. Corino, Annamaria Del Franco, Sara Giovani, Iacopo Olivotto, Adrien Al Wazzan, Erwan Donal, Pietro Cerveri, Luca Mainardi,
- Abstract要約: 肥大型心筋症(HCM)は、ICD療法とフォローアップ管理に関する決定を伝達するために、正確なリスク階層化を必要とする。
本研究は、HCM患者の5年間の複合心血管結果を予測するために、堅牢で説明可能な機械学習(ML)リスクスコアを開発する。
HCMのパーソナライズされた臨床管理のための有望なツールである。
- 参考スコア（独自算出の注目度）: 0.3611680827515096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hypertrophic cardiomyopathy (HCM) requires accurate risk stratification to inform decisions regarding ICD therapy and follow-up management. Current established models, such as the European Society of Cardiology (ESC) score, exhibit moderate discriminative performance. This study develops a robust, explainable machine learning (ML) risk score leveraging routinely collected echocardiographic, clinical, and medication data, typically contained within Electronic Health Records (EHRs), to predict a 5-year composite cardiovascular outcome in HCM patients. The model was trained and internally validated using a large cohort (N=1,201) from the SHARE registry (Florence Hospital) and externally validated on an independent cohort (N=382) from Rennes Hospital. The final Random Forest ensemble model achieved a high internal Area Under the Curve (AUC) of 0.85 +- 0.02, significantly outperforming the ESC score (0.56 +- 0.03). Critically, survival curve analysis on the external validation set showed superior risk separation for the ML score (Log-rank p = 8.62 x 10^(-4) compared to the ESC score (p = 0.0559). Furthermore, longitudinal analyses demonstrate that the proposed risk score remains stable over time in event-free patients. The model high interpretability and its capacity for longitudinal risk monitoring represent promising tools for the personalized clinical management of HCM.
- Abstract（参考訳）: 肥大型心筋症(HCM)は、ICD療法やフォローアップ管理に関する決定を伝達するために、正確なリスク階層化を必要とする。
欧州心臓学会(ESC)のスコアのような現在の確立されたモデルは、中程度の差別的なパフォーマンスを示している。
本研究は,HCM患者の5年間の複合心血管結果を予測するため,通常,心エコー,臨床,薬品データを利用した頑健で説明可能な機械学習(ML)リスクスコアをElectronic Health Records(EHRs)に導入した。
このモデルは、SHAREレジストリ(Florence Hospital)からの大きなコホート(N=1,201)を用いてトレーニングされ、内部で検証され、Rennes Hospitalから独立したコホート(N=382)で外部で検証された。
最後のランダム・フォレスト・アンサンブル・モデルではAUC(Area Under the Curve)が0.85 +- 0.02となり、ESCのスコア(0.56 +- 0.03)を大きく上回った。
また, 生存曲線解析では, MLスコア (Log-rank p = 8.62 x 10^(-4) に対してESCスコア (p = 0.0559) よりも高いリスク分離率を示した。
さらに, 事象のない患者では, リスクスコアは時間とともに安定していることが明らかとなった。
HCMのパーソナライズされた臨床管理のための有望なツールである。
関連論文リスト
- Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes [18.45168797720226]
4大冠動脈の重症または完全狭窄を予測できるAI-ECGモデルを開発した。
臨床的に正常なECGサブセットでは,ECG異常以上の異常が認められた。
論文 参考訳（メタデータ） (2025-11-29T05:21:24Z) - Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。
我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2025-07-25T00:48:23Z) - Multimodal Cardiovascular Risk Profiling Using Self-Supervised Learning of Polysomnography [11.59070680647139]
マルチモーダル信号から意味あるパターンを抽出する自己教師型ディープラーニングモデルを開発した。
心電図による特徴は, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図
脳波による特徴は、入所高血圧とCVD死亡の予測であった。
論文 参考訳（メタデータ） (2025-07-11T20:24:10Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている
心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。
本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文 参考訳（メタデータ） (2024-08-08T07:24:28Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Development of an accessible 10-year Digital CArdioVAscular (DiCAVA)
risk assessment: a UK Biobank study [0.46180371154032895]
目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。
第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
論文 参考訳（メタデータ） (2021-04-20T16:01:50Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。