Early prediction of neurally mediated syncope in head-up tilt test using machine learning
- 주제(키워드) Neurally Mediated Syncope , Vital Signs , Machine Learning , Cerebral Autoregulation
- 주제(DDC) 610.28
- 발행기관 아주대학교 일반대학원
- 지도교수 Ji Man Hong
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 융합의과학과
- 실제URI http://www.dcollection.net/handler/ajou/000000033698
- 본문언어 영어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Neurally mediated syncope (NMS) refers to a loss of consciousness due to decreased cerebral blood flow (CBF). The widely used method for diagnosing NMS is the head-up tilt (HUT) test, which reportedly reproduces syncopal symptoms in up to 80% of patients undergoing the examination. Numerous studies have previously analyzed signals monitored during the HUT test, with some attempting to associate differences in signals between NMS and control groups with cerebral autoregulation (CA) capacity. CA refers to the ability to maintain a stable CBF despite changes in arterial pressure. The primary contention among these studies suggests that while the CA ability in syncope patients is impaired immediately before and after syncope, it remains intact during the early stages of the HUT test. However, they highlight the necessity of continuous observation of CA ability not only before and after upright stimulation but within the period of upright stimulation itself. Hence, this study aims to continuously observe the degree of CA during the upright stimulation phase and analyze the distinctive characteristics of signals in syncope patients. Furthermore, this study aimed to develop a machine learning model for early prediction of NMS using the identified signal characteristics. In this study, data from a total of 94 NMS and 192 control groups were utilized. Eight signals, including cerebral blood flow velocity (CBFv) and mean arterial pressure (MAP), were continuously collected during the HUT test. To represent CA, the cerebrovascular conductance index (CVCi) was computed. Subsequently, features were extracted from a total of nine signals, and a two-sample t-test was employed to compare the NMS and control groups. Machine learning models were trained based on the extracted features, and cross-validation was performed to evaluate the performance of the machine learning models. This study identified several distinct differences between the NMS and control groups. Firstly, a more limited recovery pattern of total peripheral resistance (TPR) was observed in the NMS group (NMS group = 13.2±24.6, control group = 23.6±53.0, p-value = 0.024). This suggests a weaker vasoconstriction response for maintaining blood pressure in the NMS group. Secondly, we discovered a significant difference in the continuous segmental slopes of CVCi during the phase of upright stimulation between the NMS and the control groups (NMS group = 0.0±0.0, control group = -0.0±0.0, p-value = 0.003). This indicates that individuals experiencing syncope exerted greater effort to maintain CBF during upright stimulation. Furthermore, the machine learning model trained to encompass the extent of CA demonstrated higher early prediction performance for syncope compared to models that did not include this factor (AUROC with CVCi = 0.899 , AUROC without CVCi = 0.865). Hence, these findings support the assertion of this study, emphasizing the necessity of observing CA during the initial phases of the HUT test. Lastly, this study developed an early prediction model utilizing signals from the initial 2 minutes of the HUT test, demonstrating the potential for clinical application and proposing its use as an adjunct tool in syncope diagnosis. Furthermore, this research holds significance in potentially reducing patient discomfort by minimizing the required duration for early prediction compared to previous relevant studies involving the HUT test.
more초록/요약
신경매개실신이란 (neurally mediated syncope, NMS) 뇌 혈류 감소로 인한 의식의 손실을 의미하며 이를 진단하기 위하여 널리 쓰이는 방법은 기립경사검사 (head-up tilt test, HUT test)로 실신 환자의 최대 80%에서 검사 중 실신 증상이 재현된다고 알려져 있다. 기립경사검사 중 모니터링되는 신호들을 분석하는 많은 연구가 선행되어져 왔는데, 일부 연구에서는 NMS군과 대조군의 신호 차이를 대뇌자동조절 (cerebral autoregulation, CA) 능력과 연관지어 설명하고자 하였다. 대뇌자동조절이란 동맥압 변화에도 불구하고 일정 수준의 안정된 대뇌 혈류를 유지하는 능력을 말한다. 그들의 주된 의견은 실신 환자들의 대뇌자동조절 능력이 실신 직전과 직후에서는 손상되지만 기립경사검사 초기에서는 유지된다는 것이다. 그러나 그들은 기립 자극 전, 후의 단편적인 기간뿐만 아니라 기립 자극이 주어지는 시간 구간 안에서의 관찰이 추가돼야 한다고 지적하였다. 따라서 본 연구에서는 기립 자극 단계에서의 대뇌자동조절 능력 정도를 연속적으로 관찰하고자 하였으며 실신 환자의 신호들이 어떠한 특징점을 갖는지 분석하고자 하였다. 더 나아가, 앞에서 분석한 신호들의 특징점을 사용하여 NMS를 조기 예측하는 기계학습 모델을 개발하고자 하였다. 본 연구에서는 총 94명의 신경매개실신 환자와 192명의 건강한 대조군의 데이터를 활용하였다. 기립경사검사 동안 뇌 혈류 속도 (cerebral blood flow velocity, CBFv)와 평균동맥압 (mean arterial pressure, MAP)을 포함한 총 8가지의 신호들을 연속적으로 수집하였고 대뇌자동조절 능력을 나타내기 위하여 뇌혈관 전도도지수 (cerebrovascular conductance index, CVCi)를 계산하였다. 이후 총 9가지 신호에서 특징을 추출하고 실험군과 대조군을 비교하기 위하여 2 표본 t-검정 (two sample t-test) 방법을 사용하였다. 추출된 특징을 기반으로 기계학습 모델을 학습시켰으며 교차검증을 통하여 기계학습 모델들의 성능을 평가하였다. 본 연구에서는 NMS군과 대조군 간의 몇 가지 뚜렷한 차이점을 발견하였다. 첫 번째로, NMS군에서 더 적은 총 말초저항 (total peripheral resistance, TPR)의 회복 양상이 관찰되었다 (NMS군 = 13.2±24.6, 대조군 = 23.6±53.0, p = 0.024). 이는 NMS군에서 혈압을 유지하기 위한 혈관 수축 반응이 더 약하게 일어났음을 시사한다. 두 번째로, 기립 자극이 주어지는 단계에서 NMS군과 대조군 간의 뇌혈관 전도도지수의 연속적인 구간 기울기가 유의미한 차이를 보인다는 것을 발견하였다 (NMS군 = 0.0±0.0, 대조군 = -0.0±0.0, p = 0.003). 이는 기립 자극이 주어지는 동안 실신 환자들이 대뇌 혈류를 유지하는데 더 큰 노력을 기울였다는 것을 의미한다. 또한 대뇌자동조절 능력의 정도를 포함하여 학습시킨 기계학습모델이 그렇지 않은 기계학습모델보다 더 높은 실신 조기 예측 성능을 보여주었다 (AUROC with CVCi = 0.899, AUROC without CVCi = 0.865). 따라서 이러한 결과는 기립경사검사 초기에서의 대뇌자동조절 능력 관찰이 필요하다는 본 연구의 주장을 뒷받침한다. 마지막으로 본 연구에서는 초반 2분 동안의 기립경사검사 신호들을 활용하여 임상적으로 응용할 수 있는 수준의 실신 조기 예측 모델을 개발하였고 진단 보조 수단으로서의 가능성을 제시하였다. 또한 본 연구는 이전의 관련 연구들보다 조기 예측에 요구되는 기립경사검사 시간을 줄임으로써 환자들의 불편함을 감소시킬 수 있는 기회를 제공할 수 있다는 점에서 의미가 있다.
more목차
Ⅰ. INTRODUCTION 1
A. Background 1
B. Objectives 5
Ⅱ. MATERIALS AND METHODS 6
A. Overview of study process 6
B. Study population 7
C. Head-up tilt (HUT) test protocol 10
D. Signal preprocessing 11
E. Cerebral autoregulation (CA) assesments 12
F. Observation time intervals 13
G. Feature extraction 15
H. Statistical analysis 17
I. Classification models 18
J. Software 19
Ⅲ. RESULTS 20
A. Statistical analysis of signals from the HUT test 20
1. Baseline characteristics 20
2. Comparison of hemodynamic signals in the early stages of the HUT test 21
3. Comparison of CA compensation in the early stages of the HUT test 23
B. Early prediction of neurally mediated syncope (NMS) using machine learning 29
Ⅳ. DISCUSSIONS 34
A. Statistical analysis of signals from the HUT test 34
1. Comparison of hemodynamic signals in the early stages of the HUT test 34
2. CA compensation in the early stages of the HUT test 35
B. Early prediction of NMS using machine learning 36
C. Limitations 38
Ⅴ. CONCLUSIONS 39
REFERENCES 40
국문요약 43
