基于可解释性心脏磁共振参数的机器学习模型预测儿童心肌炎的预后

目的探讨基于可解释性心脏磁共振(CMR)参数的机器学习模型对儿童心肌炎患者预后的预测价值。方法回顾性收集2012年9月至2017年11月临床诊断为儿童心肌炎患者45例,其中男28例,女17例,4~16岁,平均(9.8±3.4)岁。根据随访过程中是否出现心血管不良事件(ACE),将患者分为预后不良组(n=18例)和预后良好组(n=27例)。所有患者于住院治疗后进行CMR扫描,获取心功能、心肌应变、首过灌注及延迟强化(LGE)相关方面共206个可解释性的CMR参数。利用MATLAB分类学习应用程序对参数进行训练,挑选精度最高的模型作为预测模型。采用受试者工作特征曲线(ROC)对模型的预测效能进行评估。结果提取出14个可解释性的CMR参数,挑选其中无显著相关性的参数构建组合参数。单一参数中,美国心脏协会(AHA)分段法中的第7节段最大信号强度百分比(SI%)预测性能最佳,曲线下面积(AUC)、预测敏感性和特异性分别为0.790、0.667和0.833;组合参数达到了最高的预测性能,AUC、预测敏感性和特异性分别为0.940、0.750和0.889。结论根据可解释性的CMR参数建立的机器学习模型对儿童心肌炎患者预后的预测具有良好价值,且在预后评估中组合参数比单一参数预测性能更高。