リアルタイム心室頻拍アラーム分類のための深層学習ベース畳み込みニューラルネットワークモデルの役割

科学分野:

• クリティカルケア医学
• 生体医工学
• ヘルスケアにおける人工知能

背景:

• 心室頻脈（VT）は、集中治療室（ICU）での迅速な検出を必要とする危険な心臓リズムです。
• 現在のモニタリングシステムは、医療専門家の間でアラーム疲労につながる偽陽性アラームの発生率が高くなっています。
• アラーム疲労は、脱感作、応答の遅延、および臨床医の認知負荷の増加につながる可能性があります。

研究 の 目的:

• VTアラームの正確な分類のための深層学習モデルを開発および評価すること。
• 連続心臓モニタリングにおける偽陽性アラームの発生率を減らすこと。
• ICU設定でのアラーム疲労を軽減すること。

主な方法:

• 深層学習ベースの1次元畳み込みニューラルネットワーク（1D-CNN）を開発しました。
• このモデルは、複数の生の波形入力を使用しました。2つの心電図（ECG）リード、脈拍数（PPG）、および動脈圧（ABP）信号。
• VTアラームに先行する10秒間の前処理された波形セグメントを使用して、VTaC不整脈ベンチマークデータセットでトレーニングを実行しました。

主要な成果:

• 1D-CNNモデルは、テストセットで0.901の受信者操作特性曲線下面積（AUC）を達成しました。
• パフォーマンス指標には、全体的な精度83.22％、F1スコア73.3％、感度77.53％、特異度85.63％が含まれていました。
• モデルはVTアラームの75％以上を検出し、偽陽性率を大幅に低下させました。

結論:

• 深層学習、特に1D-CNNモデルは、真のVTアラームと偽のVTアラームを効果的に区別できます。
• 生の波形データの短いセグメントを利用することで、堅牢なVTアラーム分類が可能になります。
• このアプローチは、ICUにおける心臓モニタリングシステムの信頼性を向上させる可能性を秘めています。