基于深度学习的模型通过心电图检测心房隔膜缺陷:一个横截面的多中心医院研究

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 前庭隔膜缺陷 (ASD) 构成不良心血管结果的风险.
• 由于细微的临床表现,ASD往往被诊断不足.
• 早期检测对于及时干预和降低风险至关重要.

研究的目的:

• 开发和验证一种新的查策略,用于早期检测ASD.
• 实施一个卷积神经网络 (CNN) 来识别12导电心电图 (ECG) 的ASD.
• 为了弥合未被确诊的ASD病例的诊断差距.

主要方法:

• 从3家国际医院的80,947名患者收集了671,201个心电图.
• 在心电图数据上训练了一种CNN模型,不包括关闭ASD的情况.
• 使用导出,验证和外部测试数据集验证模型的性能.

主要成果:

• 在CNN模型中,用于ASD检测,实现了接收器操作特征曲线 (AUROC) 下的面积为0.85-0.90.
• 在各种患者子组和机构中表现出极好的通用性.
• 查模拟显示,与明显的心电图异常相比,在33.6%的特异性下,敏感度显著增加 (80.6%至93.7%).

结论:

• 一个基于CNN的模型有效地使用12导电心电图识别ASD.
• 该模型在不同机构和大陆中表现出强大的通用性.
• 这种人工智能驱动的方法为增强自闭症查和诊断提供了一个有希望的工具.