Page 302 - A Magyar Kardiológusok Társasága 2024. évi Tudományos Kongresszusának programja, az elhangzó előadások kivonatai

E-poszter XII.
Cardiologia Hungarica E-poster XII.

Kamrai tahikardiával diagnosztizált iszkémiás Unsupervised machine learning based clustering
szívbetegségben szenvedő betegek of patients diagnosed with ischemic heart
csoportosítása felügyelet nélküli gépi tanulással disease and ventricular tachycardia
Bohus Gyula¹, Szakál Imre², Komlósi Ferenc², Gyula Bohus¹, Imre Szakál², Ferenc Komlósi²,
Tóth Patrik², Vámosi Péter², Salló Zoltán², Patrik Tóth², Péter Vámosi², Zoltán Salló²,
Szegedi Nándor², Perge Péter², Piros Katalin², Nándor Szegedi², Péter Perge², Katalin Piros²,
Osztheimer István², Merkely Béla³, Gellér László³, István Osztheimer², Béla Merkely³, László Gellér³,
Nagy Klaudia Vivien² Klaudia Vivien Nagy²
1 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati ¹Semmelweis University, Heart and Vascular Center,
Klinika, Kardiológiai Tanszék Department of Cardiology
2 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati ²Semmelweis University, Heart and Vascular Center,
Klinika, Kardiológia, Szívelektrofi ziológiai Munkacsoport Cardiology, Cardiac Electrophysiology Research Group
3 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati ³Semmelweis University, Heart and Vascular Center,
Klinika, Kardiológia, Budapest Cardiology, Budapest
Kulcsszavak: kamrai tahikardia, iszkémiás Keywords: ventricular tachycardia, machine learning,
szívbetegség, gépi tanulás, klaszterezés clustering, ischemic heart disease
Bevezetés: Az iszkémiás szívbetegségben (ISZB) szen- Introduction: Ventricular tachycardia (VT) is a leading
vedő betegek hirtelen szívhalálának (HSZH) egyik vezető cause of sudden cardiac death (SCD) in patients with
oka a kamrai tahikardia (VT). A betegcsoport nagyfokú ischemic heart disease (ICHD). Due to the high heteroge-
heterogenitása miatt az optimális terápia megválasztása neity of the patient population, the choice of optimal ther-
komoly kihívást jelenthet. apy can be challenging.
Célkitűzés: A VT miatt hospitalizált betegek klaszte- Aim: To cluster patients hospitalized for VT based on their
rekbe sorolása hasonló tulajdonságaik alapján, nem fel- similarities using unsupervised machine learning. Subse-
ügyelt gépi tanulás segítségével. Ezt követően a csopor- quently, to compare the one-year all-cause mortality of
tok egyéves összmortalitásának összehasonlítása, és a the groups and identify predictors of outcome.
kimenetelt meghatározó prediktorok identifi kálása. Methods: Demographic, anamnestic and echocardio-
Módszer: 566 ISZB-s, monomorf VT miatt hospitalizált graphic parameters of 566 patients with ISZB hospitalized
beteg demográfi ai, anamnesztikus, valamint echokardio- for monomorphic VT were retrospectively processed. Us-
gráfi ás paramétereit dolgoztuk fel retrospektíven. 18 be- ing 18 input variables, we divided the population into three
meneti változót felhasználva, dimenzió redukciót követő- groups after dimensional reduction by spectral clustering.
en spektrális klaszterezéssel három csoportra osztottuk Results: 3 signifi cantly diff erent groups were success-
a populációt. fully separated within the study population. Group 1 in-
Eredmény: A vizsgált populáción belül sikeresen elkü- cluded the best-conditioned patients: all of them had the
lönítettünk 3 szignifi kánsan eltérő csoportot. Az 1-es fi rst episode of VT, no history of HSCT, no history of he-
csoportba kerültek a legjobb állapotú betegek: mindegyi- modynamic (HD) instability, ICD shock or electrical storm
küknél először fordult elő VT epizód, anamnézisükben (ES). Group 2 had a higher prevalence of previous hos-
nem szerepelt HSZH, sem hemodinamikai (HD) instabi- pitalisation for VT (p=0.003), diabetes (p<0.001), BTSB
litás, ICD sokk vagy elektromos vihar (ES). A 2-es cso- (p=0.006) and HD instability (p<0.001). Group 3 included
portban már gyakoribb volt a korábbi hospitalizáció VT patients with the most severe conditions, admitted for ES
miatt (p=0,003), a diabétesz (p<0,001) és a HD instabili- or therapy-refractory VT. Patients in this cluster had the
tás (p<0,001). A 3-as csoportba kerültek a legsúlyosabb highest prevalence of HSCT (p=0.004) and HD instability
állapotú betegek, akik ES vagy terápiarefrakter VT miatt (p=0.01), and poor left ventricular ejection fraction (30%
kerültek felvételre. Ezen klaszterbe tartozó betegek köré- vs. 35%, <0.001). When looking at one-year all-cause
ben volt a leggyakoribb a HSZH (p=0,004) és a HD insta- mortality, the 1 (HR: 0.52 CI: [0.28–0.98]) and group
st
bilitás (p=0,01), valamint a rossz bal kamrai ejekciós frak- 2 (HR: 0.61 CI: [0.42–0.88]) showed signifi cantly better
cióval (30% vs. 35%, <0,001). Az egyéves összmortalitást survival, while group 3 showed worse (HR: 2.7 CI: [1.83–
vizsgálva az 1-es (HR: 0,52 CI: [0,28–0,98]) és a 2-es 3.97]) survival compared to the other patients.
(HR: 0,61 CI: [0,42–0,88]) csoport szignifi kánsan jobb, Conclusion: Using spectral clustering, we successfully
míg a 3-as csoport rosszabb (HR: 2,7 CI [1,83–3,97]) túl- identifi ed three signifi cantly distinct groups in the study
élést mutatott a többi beteghez képest. population with diff erent outcomes.
Következtetés: Spektrális klaszterezés segítségével si-
keresen azonosítottunk három szignifi kánsan elkülönülő
csoportot a vizsgált populációban, akik eltérő kimenetel-
lel rendelkeztek.

C 302