Ayın Makalesi

Özet

Sol ventrikül doluş basıncının doğru değerlendirilmesi, kalp yetersizliği şüphesi olan hastalarda tanı ve tedavi kararları açısından kritik öneme sahiptir. İnvaziv hemodinamik ölçümler referans yöntem kabul edilse de, günlük pratikte doluş basıncı çoğunlukla ekokardiyografi ile tahmin edilmektedir. Ancak diyastolik fonksiyon değerlendirmesinde kullanılan tekil parametrelerin hiçbiri tüm hasta gruplarında yeterli doğruluk sağlamaz. Mevcut kılavuz algoritmaları ise eksik veya çelişkili parametreler nedeniyle bazı hastaları sınıflandıramamaktadır.

Khan ve arkadaşlarının çok merkezli çalışmasında, makine öğrenmesi modellerinin invaziv olarak ölçülen sol ventrikül doluş basıncını normal veya yüksek olarak sınıflandırmadaki performansı değerlendirilmiştir. Çalışmaya ekokardiyografi ile kalp kateterizasyonu eş zamanlı ya da en fazla 24 saat arayla yapılmış 250 hasta dahil edilmiştir. Sekiz farklı makine öğrenmesi modeli test edilmiş ve performansları 2016 ASE/EACVI algoritması, 2022 EACVI algoritması ve tekil ekokardiyografik parametrelerle karşılaştırılmıştır.

Makine öğrenmesi modelleri tüm hastaları sınıflandırabilmiş ve %82-86 doğruluk göstermiştir. Buna karşılık 2016 ASE/EACVI algoritması hastaların %13'ünü sınıflandıramamış; sınıflandırılabilen hastalarda doğruluk %81 bulunmuştur. Modellerin en önemli bulduğu değişkenler mitral E / sol atriyal rezervuar strain oranı, log(NT-proBNP), triküspit yetersizlik velositesi, septal E/e' ve E/A oranı olmuştur. Bulgular, makine öğrenmesinin özellikle eksik veya belirsiz parametreler varlığında diyastolik fonksiyon değerlendirmesini destekleyebileceğini göstermektedir.

Giriş

Sol ventrikül doluş basıncı, kalp yetersizliği fizyopatolojisinin temel hemodinamik belirleyicilerinden biridir. Artmış doluş basıncı dispne, pulmoner konjesyon ve egzersiz intoleransı ile yakından ilişkilidir. Bu nedenle doluş basıncının doğru sınıflandırılması, kalp yetersizliği tanısında ve hasta fenotiplemesinde önemli bir yere sahiptir.

Kalp kateterizasyonu, sol ventrikül doluş basıncının değerlendirilmesinde referans yöntemdir. Sağ kalp kateterizasyonunda pulmoner kapiller kama basıncı, sol kalp kateterizasyonunda ise sol ventrikül pre-A basıncı veya sol ventrikül end-diyastolik basıncı kullanılabilir. Bununla birlikte invaziv doğası nedeniyle kateterizasyon her hastada uygulanabilir değildir. Bu nedenle ekokardiyografi, doluş basıncının non-invaziv değerlendirilmesinde temel yöntem olmaya devam etmektedir.

Ekokardiyografik diyastolik değerlendirme ise pratikte çoğu zaman zordur. Mitral E ve A dalgaları, E/A oranı, doku Doppler e' velositesi, E/e' oranı, triküspit yetersizlik velositesi ve sol atriyum hacim indeksi gibi parametreler değerli bilgiler sağlasa da, tek başına hiçbiri yeterli değildir. 2016 ASE/EACVI algoritması bu nedenle çok parametreli bir yaklaşım önermiştir. Ancak gerçek yaşamda tüm parametrelerin ölçülememesi veya parametrelerin birbiriyle uyumsuz olması, bazı hastaların "sınıflandırılamaz" kalmasına yol açmaktadır.

Makine öğrenmesi, çok sayıda klinik ve ekokardiyografik değişkeni aynı anda değerlendirebilen, eksik veriyle daha esnek başa çıkabilen ve olasılıksal sınıflandırma yapabilen bir yöntemdir. Bu çalışma, makine öğrenmesinin sol ventrikül doluş basıncı sınıflamasında mevcut algoritmalara katkı sağlayıp sağlayamayacağını araştırmıştır.

Yöntem

Çalışma, çok merkezli bir kohort çalışmasıdır. Kalp yetersizliği, kardiyomiyopati, koroner arter hastalığı veya pulmoner hipertansiyon şüphesiyle sağ veya sol kalp kateterizasyonuna yönlendirilen hastalar değerlendirilmiştir. Ocak 2014-Aralık 2023 arasında çalışmaya alınan hastalar arasından dışlama kriterleri uygulandıktan sonra toplam 250 hasta analiz edilmiştir.

Kompleks konjenital kalp hastalığı, kalp transplantasyonu, son dönem karaciğer hastalığı, mitral stenoz veya protez mitral kapak varlığı olan hastalar dışlanmıştır. Atriyal fibrilasyon, sol dal bloğu, pace ritmi, kardiyak dışı pulmoner hipertansiyon, restriktif veya hipertrofik kardiyomiyopati ve en az orta derecede mitral yetersizliği olan hastalar da çalışmaya dahil edilmemiştir. Bu dışlamalar, söz konusu durumların ekokardiyografik parametreler ile doluş basıncı arasındaki ilişkiyi değiştirebilmesi nedeniyle yapılmıştır.

Ekokardiyografi, kateterizasyon sırasında veya en fazla 24 saat içinde gerçekleştirilmiştir. İnvaziv basınç ölçümleri, 187 hastada sağ kalp kateterizasyonunda end-ekspiratuvar pulmoner kapiller kama basıncı ile, 63 hastada ise sol kalp kateterizasyonunda sol ventrikül pre-A basıncı veya sol ventrikül end-diyastolik basıncı ile değerlendirilmiştir. Pulmoner kapiller kama basıncı veya sol ventrikül pre-A basıncının >15 mmHg olması ya da sol ventrikül end-diyastolik basıncının >16 mmHg olması yüksek sol ventrikül doluş basıncı olarak kabul edilmiştir.

Bulgular

Çalışma popülasyonunun medyan yaşı 62 yıl olup hastaların %44'ü kadındır. Medyan sol ventrikül ejeksiyon fraksiyonu %58 olarak bildirilmiştir. Ortalama E/e' değeri 11, pik triküspit yetersizlik velositesi 2,6 m/s, maksimum sol atriyum hacim indeksi 34 mL/m² ve sol atriyal rezervuar strain %21'dir. İnvaziv ölçümlere göre hastaların %34,4'ünde sol ventrikül doluş basıncı yüksek bulunmuştur.

Sekiz makine öğrenmesi modeli, sol ventrikül doluş basıncını normal veya yüksek olarak sınıflandırmada %82-86 doğruluk göstermiştir. Yedi modelde AUC 0,84-0,89 aralığında bulunmuştur. Lojistik regresyon sınıflandırıcısı %86 doğruluk ve 0,87 AUC ile yüksek performans göstermiştir.

Makine öğrenmesi modellerinin önemli avantajı, eksik parametreler varlığında bile tüm hastaları sınıflandırabilmesidir. Buna karşılık 2016 ASE/EACVI algoritması hastaların %13'ünü sınıflandıramamıştır. Sınıflandırılabilen hastalarda doğruluk %81, AUC 0,80 bulunmuştur. 2022 EACVI algoritması yalnızca %3 hastayı sınıflandıramamış; ancak doğruluk %78, AUC 0,76 olarak bildirilmiştir.

Tekil parametrelerin performansı daha sınırlı kalmıştır. E/e' >14 için doğruluk %71 ve AUC 0,66; triküspit yetersizlik velositesi >2,8 m/s için doğruluk %74 ve AUC 0,71; LAVI >34 mL/m² için doğruluk %64 ve AUC 0,65 bulunmuştur. Bu sonuçlar, doluş basıncı değerlendirmesinde tek parametre yerine çok parametreli yaklaşımların daha uygun olduğunu desteklemektedir.

Makine öğrenmesi modellerinin en önemli bulduğu parametre mitral E / sol atriyal rezervuar strain oranı olmuştur. Bunu log(NT-proBNP), triküspit yetersizlik velositesi, septal E/e' ve E/A oranı izlemiştir. Mitral E dalgası erken diyastolik transmitral basınç farkını yansıtırken, sol atriyal rezervuar strain sol atriyumun kompliyansı ve sol ventrikül ile etkileşimi hakkında bilgi verir. Bu iki parametrenin birlikte değerlendirilmesi, yüksek doluş basıncını daha fizyolojik bir çerçevede yansıtabilir.

Klinik yorum ve sonuç

Bu çalışma, diyastolik fonksiyon değerlendirmesinde makine öğrenmesi temelli yaklaşımların potansiyel klinik değerini göstermektedir. Günlük pratikte diyastolik değerlendirme özellikle parametrelerin eksik, teknik olarak yetersiz veya birbiriyle çelişkili olduğu hastalarda zorlaşır. Mevcut algoritmalar bu durumda sınıflandırılamayan hastalar bırakabilir. Makine öğrenmesi modelleri ise eldeki parametrelerle olasılıksal bir sınıflandırma yaparak bu boşluğu azaltabilir.

Çalışmanın en dikkat çekici mesajı, sol atriyal rezervuar strain'in önemidir. 2022 EACVI HFpEF görüntüleme konsensusunda sol atriyal strain'in değerlendirmeye dahil edilmesiyle uyumlu olarak, bu çalışmada da mitral E / sol atriyal rezervuar strain oranı en güçlü parametre olarak bulunmuştur. Bu sonuç, modern diyastoloji değerlendirmesinde sol atriyal mekaniklerin giderek daha merkezi bir rol kazanabileceğini düşündürmektedir.

Bununla birlikte çalışma bazı sınırlılıklar taşımaktadır. Hasta sayısı görece sınırlıdır ve atriyal fibrilasyon, sol dal bloğu, pace ritmi, anlamlı mitral yetersizliği, restriktif ve hipertrofik kardiyomiyopati gibi günlük pratikte sık karşılaşılan karmaşık hasta grupları dışlanmıştır. Bu nedenle modelin daha geniş, heterojen ve prospektif kohortlarda doğrulanması gerekir.

Sonuç olarak, Khan ve arkadaşlarının çalışması makine öğrenmesinin ekokardiyografi temelli sol ventrikül doluş basıncı sınıflamasında mevcut algoritmalara tamamlayıcı bir karar destek aracı olabileceğini göstermektedir. Modeller tüm hastaları sınıflandırabilmiş, yüksek doğruluk sağlamış ve özellikle mitral E / sol atriyal rezervuar strain oranının önemini ortaya koymuştur. Bu yaklaşım, diyastolik fonksiyon değerlendirmesinde gelecekte daha bireyselleştirilmiş ve veri temelli bir raporlama sürecinin önünü açabilir.