Deep phenotyping to integrate laboratory workflow in hypertrophic and dilated cardiomyopathy: an Italian exploratory study
这项意大利探索性研究利用深度表型分析和机器学习算法来预测肥厚型心肌病和扩张型心肌病的基因检测结果，发现虽然出现了特定的临床模式，但这些模型在区分确定性与不确定性基因结果方面的判别能力仅表现出适度的水平。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
心脏病往往在我们的 DNA 中携带一种隐藏的代码。两种常见的形式，即肥厚型心肌病和扩张型心肌病，涉及心肌变得过厚或过弱且被拉伸。虽然医生知道遗传错误经常导致这些情况，但找到特定的错误并不总是那么直接。在许多情况下，基因检测返回的结果并不明确，使患者及其家属无法得到确定的答案。这种不确定性造成了护理中的一个困难缺口，因为了解确切的遗传原因有助于医生预测疾病的未来进程并指导家属。为了弥补这一差距，研究人员长期以来一直在思考，疾病的物理体征——即心脏在超声波下的形态或在电监护仪上的跳动方式——是否可以作为一张地图，用来预测哪些患者最有可能获得明确的遗传答案。
来自意大利三家医院的一个科学家团队着手通过一个大型患者群体来测试这个想法。他们收集了 186 名患有心肌增厚疾病的个体和 176 名患有心肌拉伸疾病个体的详细记录。对于每位患者，他们收集了大量信息，包括年龄、家族史、血压以及来自心脏扫描和电生理测试的具体测量值。然后，他们将这些物理细节与患者的基因检测结果进行了对比。目标是观察计算机是否能学会识别物理数据中的模式，从而预示出是明确的遗传发现还是不明确的结果。
研究人员使用先进的计算机学习工具来筛选数据，寻找人类肉眼可能忽略的联系。他们发现某些物理特征确实非常突出。对于患有心肌增厚疾病的患者，诸如心脏主动脉的宽度、心脏后壁的厚度以及横跨胸部的电信号持续时间是强有力的线索。对于患有心肌拉伸疾病的患者，心跳之间电信号停顿的时长和诊断时的年龄是最具代表性的迹象。然而，当团队测试这些线索实际上对新患者预测结果的效果时，结果并不显著。计算机模型虽然能比随机猜测更好地区分明确与不明确的基因结果，但其力量还不足以作为一种独立的诊断工具。
该研究表明，虽然心脏的物理形状和行为包含了一些关于底层遗传学的暗示，但它们并不是一个完整的图景。研究人员发现，特定的物理特征模式会始终与明确的基因结果同时出现，但这些模式还不足以取代对基因检测的需求。研究结果表明，观察患者的整体情况——包括他们的症状、心脏测量值和家族史——可能有助于医生决定哪些患者最有可能从基因检测中获益，但它目前还不能独立告诉他们答案。这项工作强调，一个人的物理心脏与其遗传代码之间的关系是复杂的，虽然对身体的深度观察提供了宝贵的背景信息，但它目前最适合作为基因分析的伴侣，而非其替代品。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。