علی‌رغم پیشرفت‌های درمانی، میزان مرگ‌ومیر در بیماران مبتلا به نارسایی قلبی و LEVF کاهش‌یافته به طور غیرقابل قبولی بالاست. در این مطالعه ما فرض کردیم که یک رویکرد هوش مصنوعی جدید می‌تواند تداخلات چند بعدی و عوامل مختلف تاثیرگذار را بهتر ارزیابی کند و خوشه‌هایی از اثربخشی بتابلاکرها در بیماران با ریتم سینوسی و فیبریلاسیون دهلیزی تعریف کند.
روش‌ها
رمزگذاری‌های متغیر مبتنی بر شبکه عصبی و خوشه‌بندی سلسله مراتبی بر روی داده‌های ترکیب‌شده بیماران از 9 کارآزمایی برای بتابلاکرها انجام شد. این کارآزمایی‌ها تصادفی، دوسو کور و کنترل‌شده با دارونما بودند. تمامی دلایل مرگ‌ومیر در طول میانه 1-3 سال پایش، بر اساس قصد درمان (Intention to treat) تحلیل و توسط الکتروکاردیوگرافی ریتم قلب طبقه‌بندی شد. تعداد خوشه‌ها و ابعاد آن به صورت عینی تعیین و نتایج با رویکرد leave-one-trial-out (LOTO) اعتبارسنجی شد. این مطالعه به صورت آینده‌نگر در ClinicalTrials.gov (NCT00832442) و پایگاه‌داده بررسی‌های سیستماتیک PROSPERO (CRD42014010012) به ثبت رسید.
یافته‌ها
15659 بیمار با نارسایی قلبی و LVEF کمتر از 50% با میانه ۶۵ سال و LVEF=27٪ وارد مطالعه شدند. ۳۷۰۸ نفر (۲۴%) از بیماران زن بودند. در ریتم سینوسی (n=12822)، بیشتر خوشه‌ها یک mortality benefit ثابت کلی از بتابلاکرها را با نسبت شانس 0.54-0.74 نشان دادند. یک خوشه در ریتم سینوسی بیماران مسنی که علائم کمتری داشتند، کارایی قابل توجهی نشان نداد. در فیبریلاسیون دهلیزی (n=2837)، چهار خوشه از پنج خوشه با اثر خنثی بتابلاکرها در مقایسه با دارونما سازگار بودند. یک خوشه از بیماران جوان‌تر با خطر مرگ‌ومیر کمتر اما میانگین LVEF مشابه، از نظر آماری کاهش قابل توجهی در مرگ‌ومیر با استفاده از بتابلاکرها نشان دادند. استحکام و ثبات خوشه‌بندی برای همه مدل‌ها تایید و عضویت در خوشه در 9 آزمایش مستقل اعتبارسنجی شد.
تفسیر نتایج اثربخشی بتابلاکرها
یک رویکرد خوشه‌بندی مبتنی بر هوش مصنوعی قادر به تشخیص پیش‌آگهی پاسخ به مصرف بتابلاکرها در بیماران مبتلا به نارسایی قلبی و LVEF کاهش‌یافته بود. این شامل بیماران با ریتم سینوسی و همچنین گروهی از بیماران با فیبریلاسیون دهلیزی بود که در آن بتابلاکرها مرگ‌ومیر را کاهش می‌دادند.
The Lancet-Redefining β-blocker response in heart failure patients with sinus rhythm and atrial fibrillation: a machine learning cluster analysis
ما را در شبکه‌های اجتماعی دنبال کنید
