Araştırma Güncellemeleri

Akışa dön
PubMed

Yüksek önem

7 Kas 2026

Genetik Hemorajik Telanjiektazi Hastalarında Beyin Arteriovenöz Malformasyonları için MRI Taramasında Makine Öğrenimi Yaklaşımı

Orijinal kaynağı görüntüle

Neden önemli

Bu araştırma, HHT'li hastaların beyin sorunları için taramalarının iyileşmesine katkıda bulunabilir ve muhtemel olarak daha iyi izleme ve bakım sağlayabilir. Hastalar ve aileler, bu bulguları sağlık hizmeti sağlayıcılarıyla tartışarak yeni tarama seçeneklerinin kendileri için ne anlama geldiğini öğrenmek isteyebilir.

Amaç

Bu çalışma, genetik hemorajik telanjiektazi (HHT) hastalarında beyin arteriovenöz malformasyonlarının (bAVM) varlığını tahmin eden bir makine öğrenimi modeli oluşturmayı amaçlamaktadır. Bu, serebrovasküler sorunlar için daha yakın izleme gerektiren hastaların belirlenmesine yardımcı olabilir.

Sonuçlar

Toplamda 142 HHT hastası incelendi. bAVM'leri tahmin etmek için kullanılan modeller iyi bir performans sergiledi; bir model (Logistik Regresyon) iyi tahmin yeteneğini gösteren bir puan aldı. Ancak, genel serebrovasküler durumları tahmin ederken modeller daha az etkili oldu.

Yöntemler

Araştırmacılar, 2018 ile 2026 arasında tam genetik test ve MRI taraması yapılmış HHT tanısı almış hastaları dahil etti. İki ana sonuç incelendi: bAVM'lerin bulunma olasılığı ve herhangi bir serebrovasküler sorunun tespit edilme olasılığı. Analiz için Python ve R programlama dilleri kullanıldı.

Sınırlamalar

Bu çalışma belirli bir hasta grubuna dayanmaktadır ve modellerin etkinliğinin, daha büyük ve çeşitli popülasyonlarda iyi çalıştığını sağlamak için daha fazla araştırmaya ihtiyaç vardır. Ayrıca, sonuçların geniş çapta kullanımdan önce dışsal doğrulama gerektirdiği unutulmamalıdır.

Doktorunuz için:

PMID: 42998172

DOI: 10.1007/s00234-026-04253-9

Özet

İngilizce gösteriliyor

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.