机器学习驱动的,嵌入式设备的心声测量可以优化CRT患者的AV延迟
Philip Westphal1, Hongxing Luo2, Mehrdad Shahmohammadi3
1Department of Physiology, Cardiovascular Research Institute Maastricht (CARIM), Maastricht, The Netherlands; Bakken Research Center, Medtronic, plc, Maastricht, The Netherlands.
Heart rhythm
|May 29, 2023
概括
这项研究开发了一种使用心脏声音分析和机器学习的新方法,以优化心脏再同步治疗 (CRT) 设备设置. 这种新方法可靠地估计最佳心房 (AV) 延迟,改善CRT功能.
科学领域:
- 生物医学工程 生物医学工程
- 心脏病学 心脏病学
- 人工智能在医学中的应用
背景情况:
- 为心脏再同步治疗 (CRT) 持续优化心房脉 (AV) 延迟对于患者的治疗结果至关重要.
- 目前的优化方法主要依赖于电气测量,这可能无法完全捕捉心脏机械功能.
研究的目的:
- 开发一种创新的心脏功能的估计模型,使用集成到脉冲发生器中的压电式麦克风.
- 通过增强的心脏功能评估来指导和改进CRT设置的优化.
主要方法:
- 在CRT装置植入期间同时采集心电图,左心室压力 (LVP) 和心脏声音.
- 使用一个修改后的CRT设备与嵌入式压电传感器记录心脏声音跨越各种AV延迟.
- 开发了一种机器学习 (ML) 决策树组合模型,使用三个心声特征来估计LVPmax和LVdP/dtmax.
主要成果:
- ML确定了S1振幅,S2振幅和S1积分作为AV延迟优化的关键特征.
- 获得了67%的LVPmax和64%的LVdP/dtmax单击估计精度.
- 对于平均的LVPmax和LVdP/dtmax证明了高交叉相关性 (0.999),估计的最佳AV延迟与侵入性测量密切匹配.
结论:
- 集成在CRT设备中的心声传感器与ML算法相结合,提供了一种可靠的方法来评估最佳的AV延迟.
- 这种方法可靠地估计最大左心室压力 (LVPmax) 和最大升高 (LVdP/dtmax),从而提高CRT优化.
更多相关视频
12:45Benefits of Cardiac Resynchronization Therapy in an Asynchronous Heart Failure Model Induced by Left Bundle Branch Ablation and Rapid Pacing
Published on: December 11, 2017
10.5K
10:50Behavioral Determination of Stimulus Pair Discrimination of Auditory Acoustic and Electrical Stimuli Using a Classical Conditioning and Heart-rate Approach
Published on: June 6, 2012
14.6K
