PubMed چکیده/رکورد

Deep Survival Modeling With Echocardiographic Myocardial Texture Radiomics for Prediction of Major Adverse Cardiovascular Events in Hypertrophic Cardiomyopathy.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

Hypertrophic cardiomyopathy (HCM) carries substantial risk of major adverse cardiovascular events (MACE), yet current tools do not fully exploit quantitative myocardial texture from routine echocardiography. We retrospectively studied 413 patients with HCM from two tertiary centers to develop and externally validate a deep survival model integrating transthoracic echocardiographic texture radiomics with clinical and conventional echocardiographic variables. Patients from one center (n = 308) were used for development and internal testing and those from the other (n = 105) for external validation. The best-performing model was selected by cross-validated Harrell C-index and interpreted using Shapley additive explanations. During median follow-up of 30.7 and 35.6 months, 83 patients (20.1%) experienced a first MACE. The Combined model showed the highest concordance and net clinical benefit, with age, RadScore, left atrial diameter, and maximal wall thickness as leading contributors. This model may provide an accessible approach to individualised MACE risk stratification in HCM.

نتیجه فارسی

این مطالعه به توسعه و اعتبارسنجی مدل بقای عمیقی برای پیش‌بینی رویدادهای قلبی عروقی بدخیم اصلی در بیماری کاردیومیوپاتی هیپرتروفیک پرداخته است. مدل ترکیبی رادیومیکس اکوکاردیوگرافی با متغیرهای بالینی عملکرد بهتری نسبت به متغیرهای استاندارد نشان داد. عوامل اصلی پیش‌بینی شامل سن، RadScore، قطر اتاق سمت چپ و ضخامت دیواره ماکزیمال بودند. این مدل می‌تواند برای رتبه‌بندی ریسک فردی مفید باشد.

  • توسعه مدل بقای عمیق با ادغام رادیومیکس اکوکاردیوگرافی و متغیرهای بالینی.
  • اعتبارسنجی خارجی مدل با استفاده از داده‌های از دو مرکز tertiary.
  • مدل ترکیبی عملکرد بهتری نسبت به متغیرهای استاندارد اکوکاردیوگرافی نشان داد.
  • عوامل اصلی پیش‌بینی شامل سن، RadScore، قطر اتاق سمت چپ و ضخامت دیواره ماکزیمال بودند.

ترجمه فارسی چکیده

بیماری کاردیومیوپاتی هیپرتروفیک (HCM) ریسک بالایی برای رویدادهای قلبی عروقی بدخیم اصلی (MACE) دارد، اما ابزارهای فعلی از داده‌های کمی بافت قلبی در اکوکاردیوگرافی استاندارد به‌طور کامل بهره نمی‌برند. ما به صورت بازگشت‌پذیر ۴۱۳ بیمار با HCM از دو مرکز tertiary را مطالعه کردیم تا مدل بقای عمیقی را که رادیومیکس بافت اکوکاردیوگرافی ترانس‌توراکیک را با متغیرهای بالینی و اکوکاردیوگرافی استاندارد ادغام می‌کند، توسعه و اعتبارسنجی خارجی کنیم. بیماران از یک مرکز (n = 308) برای توسعه و تست داخلی و بیماران از مرکز دیگر (n = 105) برای اعتبارسنجی خارجی استفاده شدند. بهترین مدل با عملکرد بالا با استفاده از C-index Harrell با اعتبارسنجی متقابل انتخاب شد و با استفاده از توضیحات جمعی Shapley تفسیر شد. در طول پیگیری میانگین ۳۰.۷ و ۳۵.۶ ماه، ۸۳ بیمار (۲۰.۱٪) رویداد اولیه MACE را تجربه کردند. مدل ترکیبی بیشترین همخوانی و سود بالینی خالص را نشان داد، با سن، RadScore، قطر اتاق سمت چپ و ضخامت دیواره ماکزیمال به عنوان عوامل اصلی. این مدل ممکن است رویکردی دسترسی‌پذیر برای رتبه‌بندی ریسک MACE فردی در HCM ارائه دهد.

روش پژوهش

این مطالعه به صورت بازگشت‌پذیر بر روی ۴۱۳ بیمار HCM انجام شد. مدل با استفاده از داده‌های از یک مرکز (n = 308) توسعه و تست داخلی شد و با داده‌های از مرکز دیگر (n = 105) اعتبارسنجی خارجی گردید. بهترین مدل با استفاده از C-index Harrell با اعتبارسنجی متقابل انتخاب شد.

محدودیت‌ها

محدودیت‌های گزارش نشده در متن موجود است.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
بیماران مبتلا به بیماری کاردیومیوپاتی هیپرتروفیک (HCM) از دو مرکز tertiary.
مداخله/مواجهه
مدل بقای عمیق ادغام‌شده شامل رادیومیکس بافت اکوکاردیوگرافی ترانس‌توراکیک و متغیرهای بالینی.
مقایسه
متغیرهای استاندارد اکوکاردیوگرافی و بالینی (در مدل ترکیبی).
حجم نمونه
۴۱۳ بیمار (۳۰۸ برای توسعه و ۱۰۵ برای اعتبارسنجی خارجی).

متن کامل اصلی

متن در JumpToDate ذخیره نشده است.

برای بررسی دسترسی کتابخانه‌ای یا خرید، رکورد اصلی را باز کنید.

رفتن به منبع اصلی

کلیدواژه‌ها

Deep survival modelEchocardiographic texture analysisEchocardiographyHypertrophic cardiomyopathyRadiomics
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2027

Computational Network Analysis for Defining Transcriptional Programs.

Cancer cell identity is governed by coordinated transcriptional programs that are frequently rewired during tumorigenesis. Systematic identification of cancer type-specific gene regulatory networks provides a framework for understanding oncogenic state transitions and for prioritizing candidate therapeutic targets. Here, we present a reproducible network-based workflow for reconstructing and analyzing transcriptional regulatory program…

PubMed2027

Topic-Driven Bibliometrics and Trend Intelligence for Stem Cell and Cancer Research.

The rapid growth of biomedical literature has created an urgent need for computational tools that enable researchers to systematically analyze publication trends, identify emerging research themes, and map the evolution of scientific fields. PubMed Atlas is a command-line and web-enabled workflow for topic-driven bibliometrics and trend intelligence using PubMed E-utilities. The pipeline executes PubMed queries, retrieves matching PMID…

PubMed2026

Nursing Students' Reports of Patient Safety Incidents and Reasons During Clinical Placements: A Secondary Analysis of the International Data.

Clinical placements expose nursing students to patient safety incidents and provide important opportunities for learning about safe care. This study explored how nursing students in four countries recognized and interpreted patient safety incidents encountered or witnessed during clinical practice, including perceived contributing factors. A secondary qualitative content analysis was conducted using narrative data from 1442 undergradua…

PubMed2026

Frequency of Clinically Relevant Drug-Drug Interactions Between Tyrosine Kinase Inhibitors and Proton Pump Inhibitors in Patients With Cancer Using Real-World Data.

BACKGROUND: Proton pump inhibitors (PPIs) raise stomach pH, leading to reduced bioavailability of many tyrosine kinase inhibitors (TKIs), thereby affecting treatment outcomes. To what extent this interaction occurs in clinical practice remains underexplored. OBJECTIVE: To determine the frequency of clinically relevant interactions between TKIs and PPIs in clinical practice and the duration of concomitant prescription. METHODS: A retros…