Machine learning models to support the selection of candidates to surgical mitral valve repair

The mitral valve (MV) is located on the left side of the heart; it opens and allows for the unidirectional flow of blood from left atrium to left ventricle during diastole, it closes and prevents backflows in systole. MV physiological function is guaranteed by the synergic action of the substructures of the MV apparatus. However, regurgitant systolic flow is observed when the MV is affected by the degenerative disease. This pathology is a progressive degeneration of MV structures that causes mitral insufficiency that in turn leads to hypertension, atrial fibrillation, cardiac chamber dilation and finally heart failure. When severe (grade=4), insufficiency needs surgical intervention. The most used surgical techniques are the resection of redundant or damaged leaflet tissue or the implantation of artificial chordae that correct the defect eliminating the regurgitation or at least making it mild (grade=1). Given the complexity of the disease and of its etiologies, a standard rule for the choice of the most appropriate surgical repair does not exist. The aim of this work is to provide a clinical decision support system useful for the selection of the right surgical therapy. Based on clinical and echocardiographic data of patients operated at IRCCS San Raffaele hospital in Milan between 2018 and 2020, machine learning tools were implemented and used. Ten among the best state-of-the-art machine learning prediction models were compared and the highest results for the classification of patients that will have failure of surgery were reached by the multi-layer perceptron with sensitivity=66.67% and AUC=0.82. It was found that the choice of surgical technique does not affect the failure of surgery, whereas performing folding plasty, hypertension and NYHA are relevant attributes. Further simulations were run to look for variables responsible for post-surgical absent mitral insufficiency grade (grade=0). The inter-commissural diameter and the body surface area are the most predictive features and the multi-layer perceptron outperformed again other estimators with PPV=0.75 and AUC=0.85.

La valvola mitrale è situata nella parte sinistra del cuore. Essa si apre e permette il flusso di sangue dall’atrio sinistro al ventricolo sinistro durante la diastole; si chiude ed impedisce flussi retrogradi in sistole. Questa funzione fisiologica è garantita dal moto sincrono delle sub-strutture valvolari. Tuttavia, quando la valvola è affetta da patologia degenerativa si osserva un flusso sistolico rigurgitante. Tale malattia si presenta come una progressiva degenerazione della struttura valvolare che causa insufficienza mitralica che a sua volta porta a ipertensione, fibrillazione atriale, dilatazione delle camere cardiache e infine scompenso cardiaco. Quando il grado di insufficienza è severo (grado=4), bisogna intervenire chirurgicamente. Le due tecniche più utilizzate per riparare la mitrale sono la resezione del tessuto valvolare danneggiato o ridondante e l’impianto di corde artificiali; esse correggono il difetto eliminando totalmente il rigurgito o comunque abbassandone il grado a 1. Data la complessità della malattia e delle sue eziologie, non esiste ad oggi una regola per decidere quale terapia chirurgica sia la più adatta. Lo scopo di questo lavoro è fornire un sistema di supporto alla decisione clinica per la scelta della giusta terapia. Avendo a disposizione dati di pazienti operati all’ospedale IRCCS San Raffaele di Milano tra il 2018 e il 2020, è stato utilizzato l’apprendimento automatico. Sono stati confrontati dieci tra i migliori modelli predittivi allo stato dell’arte basati su apprendimento automatico, e le reti neurali artificiali sono state selezionate come le migliori nel classificare i casi di fallimento della chirurgia riparativa, riportando sensitività=66.67% e AUC=0.82. Purtroppo, la scelta della tecnica chirurgica non ha effetti sul fallimento della procedura, mentre l’esecuzione di folding plasty, l’ipertensione e l’indice NYHA sono fattori determinanti. In seguito, sono state condotte altre simulazioni per capire quali variabili fossero responsabili per la totale assenza di rigurgito post-operatorio (grado=0). Il diametro inter-commissurale e l’indice di superficie corporea sono le più predittive e ancora una volta le reti neurali hanno dato i migliori risultati con PPV=0.75 e AUC=0.85.