Page 252 - A Magyar Kardiológusok Társasága 2024. évi Tudományos Kongresszusának programja, az elhangzó előadások kivonatai

E-poszter III.
Cardiologia Hungarica E-poster III.
Az ingerlés-kiváltotta kardiomiopátia (PiCMP) Machine Learning-Based Prediction of Pacing-
gépi tanulás alapú predikciója Induced Cardiomyopathy (PiCMP)
Schwertner Walter Richard , Behon Anett , Walter Richard Schwertner , Anett Behon ,
1
2
1
2
Merkel Eperke Dóra , Masszi Richárd , Eperke Dóra Merkel , Richárd Masszi ,
2
2
1
1
Kuthi Luca Katalin , Veres Boglárka , Tokodi Márton , Luca Katalin Kuthi , Boglárka Veres , Márton Tokodi ,
2
3
3
3
2
3
Osztheimer István , Zima Endre , Vámos Máté , István Osztheimer , Endre Zima , Máté Vámos ,
4
6
4
6
5
5
Gellér László , Kosztin Annamária , Merkely Béla 1 László Gellér , Annamária Kosztin , Béla Merkely 1
4
1
4
1
1 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati 1 Semmelweis University, Heart and Vascular Center,
Klinika, Kardiológia Cardiology
2 SEVSZÉK, Kardiológia, Szívelégtelenség munkacsoport 2 Semmelweis University, Heart and Vascular Center,
3 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology, Working group on heart failure
Klinika, Kardiológia, Kardiológia 3 Semmelweis University, Heart and Vascular Center,
4 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology, Cardiology
Klinika, Kardiológia, Szívelektrofi ziológiai Munkacsoport 5 Semmelweis University, Heart and Vascular Center,
5 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology, Cardiac Electrophysiology Research Group
Klinika, Kardiológia, Kardiológiai Intenzív Osztály, Budapest 6 Semmelweis University, Heart and Vascular Center,
6 Szegedi Tudományegyetem, Belgyógyászati Klinika, Elekt- Cardiology, Cardiac Intensive Care Unit, Budapest
rofi ziológiai Részleg, Szeged 7 University of Szeged, Department of Internal Medicine,
Electrophysiology, Szeged
Kulcsszavak: pacing-induced cardiomyopathy,
ingerlés-kiváltotta kardiomyopátia, CRT upgrade, Keywords: pacing-induced cardiomyopathy,
machine learning, gépi tanulás CRT upgrade, machine learning
Háttér: Konvencionális pacemaker (PM) és implantálható Background: Among patients undergoing conventional
kardioverter-defi brillátor (ICD) kezelés mellett a betegek pacemaker (PM) and implantable cardioverter-defi brillator
6-39%-nál kialakulhat ingerlés-kiváltotta kardiomiopát- (ICD) therapy, pacing-induced cardiomyopathy (PiCMP)
ia (PiCMP), ami csökkent balkamrai ejekciós frakcióval can develop in 6-39% of cases, leading to reduced left ven-
(LVEF) és szívelégtelenséggel társulhat. tricular ejection fraction (LVEF) and potential heart failure.
Metodika: Összesen 1131 beteg adatait gyűjtöttük ret- Methodology: We retrospectively collected data from a to-
rospektíven , akik PM- vagy ICD-kezelésben részesül- tal of 1131 patients who underwent PM or ICD therapy and
tek, és kezdetben LVEF >50%-kal rendelkeztek. Az adat- initially had an LVEF >50%. Data collection was conduct-
gyűjtést a Városmajori Szív és Érgyógyászati Klinikán ed at the Városmajor Heart and Vascular Center (VSZÉK)
(VSZÉK) (1020 fő) és a Szent-Györgyi Albert Klinikai Köz- (1020 patients) and the 2 Department of Internal Medicine
nd
pont II. számú Belgyógyászati Klinikáján és Kardiológiai and Cardiology Center at the Szent-Györgyi Albert Clinical
Központjában (SZOTE) (111 fő) végeztük. A PiCMP-t az Center (SZOTE) (111 patients). PiCMP was defi ned during
utánkövetés során LVEF ≤40%-nál és/vagy Kardiális Re- follow-up as having an LVEF ≤40% and/or undergoing Car-
szinkronizációs Terápia Upgrade során határoztuk meg. diac Resynchronization Therapy (CRT) upgrade.
Eredmények: A populációt 4,2 (2,5–6,9) évig követtük. Az Results: The population was followed for 4.2 (2.5–6.9)
utánkövetés során a VSZÉK csoportban 126 (12,4%) és a years. During follow-up, PiCMP occurred in 126 (12.4%)
SZOTE esetén 11 (9,9%) főnél alakult ki PiCMP. A VSZÉK patients in the VSZÉK group and 11 (9.9%) patients in the
csoportban a PiCMP-s betegek kiindulási LVEF (58% vs. SZOTE group. In the VSZÉK group, patients with PiCMP
60%, p=0,001), GFR (56 vs. 64 ml/perc/1,73m², p=0,046) had lower baseline LVEF (58% vs. 60%, p=0.001), lower
értékei alacsonyabbak voltak, és magasabb volt az iszké- glomerular fi ltration rate (GFR) (56 vs. 64 ml/min/1.73m²,
miás szívbetegség (46% vs 26%, p<0,001) és a diabétesz p=0.046), a higher prevalence of ischemic heart disease
mellitus (38% vs. 25%, p=0,002) előfordulási gyakorisága a (46% vs. 26%, p<0.001), and diabetes mellitus (38% vs.
kontroll (nem PiCMPs) csoportokhoz képest. A SZOTE po- 25%, p=0.002) compared to the control (non-PiCMP)
pulációban nem találtunk hasonló eltéréseket a PiCMP és group. No similar diff erences were found between PiCMP
kontroll csoportok között. Gépi tanulási algoritmusokkal 50 and control groups in the SZOTE population. Using ma-
bemeneti változó (kórtörténet, laboreredmények, echokar- chine learning algorithms with 50 input variables (medical
diográfi a és gyógyszerek) felhasználásával olyan modelle- history, laboratory results, echocardiography, and medi-
ket fejlesztettünk, amelyek képesek voltak előrejelzést adni cations), we developed models capable of predicting PiC-
a PiCMP kialakulására a készülékek beültetésétől számí- MP development at 2, 3, 4, and 5 years following device
tott 2, 3, 4 és 5 évben. A legjobb PiCMP előrejelzési ered- implantation. The best PiCMP prediction results were
ményeket a harmadik év vonatkozásában értük el. achieved for the third year.
Konklúzió: A PiCMP kialakulását összetett gépi tanulás Conclusion: Pacing-induced cardiomyopathy can be
alapú modellekkel modellezni lehet, amelyek segíthetik a modeled using machine learning-based models, which
klinikai ellátást a PiCMP-re magas rizikót mutató betegek may assist in the clinical management and identifi cation
elkülönítésében. of patients at high risk for PiCMP.
Támogatás: RRF-2.3.1-21-2022-00004 (MILAB), Support: RRF-2.3.1-21-2022-00004 (MILAB), NK-
NKFIA; NVKP_16-1-2016-0017 National Heart Program, FIA; NVKP_16-1-2016-0017 National Heart Program,
TKP2021-NVA-12 TKP2021-NVA-12
C 252