Исследования понятно

Назад к ленте
PubMed

Высокая важность

7 нояб. 2026 г.

Подход машинного обучения к МРТ-скринингу артериовенозных мальформаций мозга при наследственной геморрагической телангиэктазии.

Открыть первоисточник

Почему это важно

Это исследование может улучшить методы скрининга у пациентов с НГТ на предмет мозговых проблем, что потенциально приведет к лучшему наблюдению и уходу. Пациенты и их семьи могут обсудить эти результаты со своими медицинскими работниками, чтобы понять, какие новые варианты скрининга могут быть для них актуальны.

Цель

Исследование направлено на создание модели машинного обучения, предсказывающей наличие артериовенозных мальформаций мозга (авм) у пациентов с наследственной геморрагической телангиэктазией (НГТ). Это может помочь выявить тех, кто нуждается в более тщательном наблюдении за цереброваскулярными проблемами.

Результаты

Исследовалось 142 пациента с НГТ. Модели, использованные для предсказания авм, показали хорошие результаты, одна из моделей (логистическая регрессия) достигла оценок, указывающих на хорошую предсказательную способность. Однако при предсказании общих цереброваскулярных состояний модели оказались менее эффективными.

Методы

В исследование включены пациенты с диагнозом НГТ, у которых были проведены полное генетическое тестирование и МРТ-скрининг с 2018 по 2026 годы. Рассматривались два основных результата: вероятность обнаружения авм и вероятность выявления любых цереброваскулярных нарушений. Для анализа использовались языки программирования Python и R.

Ограничения

Это исследование основано на конкретной группе пациентов, и эффективность моделей требует дальнейшего изучения, чтобы убедиться, что они хорошо работают на более широких и разнообразных популяциях. Также важно отметить, что результаты нуждаются в независимой проверке перед их широким применением.

Для вашего врача:

PMID: 42998172

DOI: 10.1007/s00234-026-04253-9

Аннотация

Показано на английском

BACKGROUND: Hereditary hemorrhagic telangiectasia (HHT) is an inherited vascular disorder characterized by telangiectasias and arteriovenous malformations (AVMs) in multiple organs. Although brain MRI screening is recommended in all patients with HHT, in many centers, this may be difficult to implement due to organizational constraints. The aim of this study was to develop a machine learning model to predict the presence of bAVMs and other cerebrovascular malformations in patients with HHT, with the goal of supporting risk stratification in centers where genotype information is already available and identifying patients who may benefit from closer and more conservative surveillance. METHODS: All patients with confirmed diagnosis of HHT, complete genetic work-up, and radiological screening (2018-2026) were included for the analysis. Two end points were defined: probability of detecting bAVMs, and probability of detecting any cerebrovascular findings. Analysis was performed using Python and R. RESULTS: A total of 142 patients with confirmed HHT (meeting ≥ 3 Curaçao criteria) were included. For bAVM prediction, both models showed good discrimination, with an AUC of 0.84 (95% CI: 0.73-0.94) for Logistic Regression (LR) and 0.85 (95% CI: 0.74-0.96) for Random Forest (RF). Despite the slightly higher AUC, RF showed lower specificity, PPV, and F1 score, higher sensitivity (0.73 vs. 0.69) and same NPV. LR also showed better calibration, with an intercept of -0.30 (95% CI: -1.38-0.78) and slope of 0.87 (95% CI: 0.34-1.40), compared with 1.39 (95% CI: -0.46-3.23) and 2.39 (95% CI: 0.64-4.15), respectively, for RF. In contrast, models predicting overall cerebrovascular malformations showed limited discrimination and poor calibration with both LR and RF. For bAVM prediction, LR identified deletion mutations, ENG, family history, ACVRL1, and truncated variants as the most influential features, while RF SHAP analysis highlighted ACVRL1, ENG, age, pulmonary AVMs, and family history. CONCLUSION: Effective risk stratification was achieved by the phenotype-specific bAVM model, supporting its potential applicability. Upon external validation this tool may enable an efficient allocation of screening strategies.

Подход машинного обучения к МРТ-скринингу артериовенозных мальформаций мозга при наследственной геморрагической телангиэктазии. · Исследования понятно