心血管疾病(CVD)是世界上最大的死亡原因,占1 3人死亡,1在5美元的美国医疗体系。患者应该得到更有效的、负担得起的、公平的保健然而现在我们在临床和研究社区努力加快的速度可靠和可复制的结果跟上这一日益严重的全球性流行病。计算统计和机器学习的进步越来越多的连接信息和生理管道联合精密医学和人口的健康,让我们值得庆幸的是接近充分满足患者需求。
通过改进计算模型,我们可以获得更好的理解生理(组学、电生理学、固体力学、流体动力学),临床(疾病轨迹,药理学,发病率交互),和人口(社会决定因素,社交网络策略、不平等和生态系统的健康)心血管疾病的因素,帮助产生复杂的现象。计算进步必须简化心血管疾病的问题,我们可以采取行动,再次评估,通过增量的问题研究收益增长滚雪球的方式。临床上,病人需要这种方法的改进;在经济上,他们的医疗费用是nonsustainable;最重要的是,道德,我们的病人应该得到更快、更好、更便宜的医学科学的结果。国际卫生系统应对(或被迫作出反应)这些社会changes-patients理所当然地要求更好的治疗方法,临床医生预计更好的数据来指导决策,纳税人要求更高的价值关怀,要求更大的透明监管及机构和影响的研究。然而从哪里开始,或者从这里在心血管疾病,几乎是一样迟钝的复杂性我们面临上述挑战,没有被广泛接受的以证据为基础的标准在这些计算进步,也不如何优化应用逆转心血管疾病。
这个特殊的问题因此旨在加速计算发展前途的心血管疾病的传播。我们收到了15提交在世界范围内,执行严格和细致的同行评审后,6人被选为这个特殊的问题。这些发表的合成研究提供了新颖的计算、统计和机器学习的方法和临床应用改善血流动力学的建模,固体力学,呼吸波动态,心脏节律和电气等患者群体影响动脉瘤解剖,心房纤维性颤动,充血性心力衰竭和心律失常。
流动态的一项研究由j . Febina等人创造了一个三维非牛顿跳动的心脏血流量的数学模型使用CT数据映射胸主动脉瘤的计算流体动力学(CFD)因此展示墙剪切应力(WSS)作为预示即将破裂,整个心动周期的风险分层和压力条件。这个模型主要是包括涡的形成模式和倒流(WSS)提供的证据,因此WSS nonoverly预测通过非牛顿流脉动的(类似于自然生理心动周期的收缩和放松)但overpredicted当laminar-turbulent-laminar的自然流动模式添加到非牛顿模式。牛顿流体动力学另一方面被部署在不同的研究由i Avrahami和同事评估颈动脉血流和墙动力学在多个分岔情况(正常,缩小与缝合术后,和扩大高,介质,和更低的灵活性补丁)使用固耦合数值模拟(FSI)。这样做是为了帮助临床决定suture-based颈动脉内膜切除手术和patch-based血管成形术。分析表明主要缝合是优于补丁血管成形术的高压力和高振荡剪切指数(OSI)时均壁剪切应力较低(鞭打),与高灵活性贴片优于低灵活性补丁。形象改善的重点是第三流黄和同事进行的动态研究。在这方面,一个图像时域集成仿照血液流动周期性提出了简化改进图像和噪声抑制的数字减影血管造影(DSA)。在这个模型中,postcontrast心动周期图像合成为独立应用程序或作为后处理噪声抑制技术。这种方法证明了良好的实时性能和效率的增强和噪声抑制主动脉夹层。水流动力条件包含在固体力学在另一篇论文的n·基弗et al .,提出了一种全局优化算法和部署在17病危心房纤颤(房颤)患者近似舒张期僵硬(帮助左心室舒张功能不全的诊断(LVDD))通过合适的非线性反问题的一种数学方法参数估计根植于舒张期的生理模型填充。 This study provides the first known quantification of LV diastolic function using routine clinical data from critically ill patients with AF.
呼吸波苏耿赋动力学研究中评估了。福等人使用一个自回归(AR)创建数学模型来分析breath-by-breath运动测试数据,以更好地分析心肺运动试验(CPET) exercised-induced周期性呼吸(PB)预言充血性心力衰竭(CHF)。简要地变换(HHT)是利用AR模型的分解breath-by-breath值到固有模式函数(货币),数学代表个人呼吸生理的各频率的振荡。这个模型展示了瑞士法郎的预后预测性能基于第三和第四国际货币基金组织(IMF)组件在61瑞郎CHF患者中,证明生物基础作为生理储备表示通过通风和上面的HHT方法建模瑞士法郎。
最后,电子心脏节律的另一篇论文研究了s·m·瓦尔等人在动态和形态心电图(ECG)特性用于心律失常分类的新方法使用离散小波变换(DWT,维数减少了独立分量分析尽量减少冗余)为非线性动态心脏跳动和Teager能源运营商RR间隔。这些特性是通过三倍交叉验证神经网络算法,然后运行当时相比MIT-BIH数据库心律失常(13724次)和室上性心律失常(22151次)。精度为类和subject-orientated计划提高到99.75%和99.84%使用这种独特的方法。等机器学习方法、神经网络应用在这篇文章中,和其他流行的算法包括支持向量机,再,决策树,和随机森林,越来越关注他们的应用程序的组学研究和精密医学增加转化临床研究,特别是通过提供更有效地处理高维数据的独特优势比传统的统计策略。
这些接受研究人员提交的手稿和那些没有,我们感激他们的共同承诺改善科学理解,因此临床护理。我们希望,在一些小方法,心血管计算它们包含进步不仅可以改善病人护理的应用也加速心血管疾病研究他们的方法可以更广泛的适应。我们的病人和人口应该得到更好的照顾。所以我们提供这个特殊的问题作为一个卑微的一步,相信这种计算的承诺帮助加快进步的旅程征服心血管疾病作为全球人类大家庭。
的利益冲突
编辑们宣布没有关于这篇文章的出版的利益冲突。
多米尼克·j·Monlezun
弗朗西斯科·Nordio
Tianhua妞妞