基于心电图的卷积神经网络在儿科阻塞性睡眠呼吸暂停诊断中的使用
Clara García-Vicente1, Gonzalo C Gutiérrez-Tobal2, Jorge Jiménez-García2
1Biomedical Engineering Group, University of Valladolid, Valladolid, Spain.
Computers in biology and medicine
|November 2, 2023
概括
使用心电图 (ECG) 追踪的新型深度学习模型现在可以诊断儿童的阻塞性睡眠呼吸暂停 (OSA). 这种方法提供了一种更简单,更快速,更容易获得的方法来识别儿科OSA,改善诊断率.
科学领域:
- 心脏病学 心脏病学
- 儿科肺病学 儿科肺病学
- 人工智能在医学中的应用
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种常见的儿科呼吸道疾病,与心血管风险有关.
- 目前的诊断方法,如多睡眠学 (PSG) 是复杂的,昂贵的,难以获得的,导致诊断不足.
- 迫切需要一个更简单,更易于使用的诊断工具,用于儿科的OSA.
研究的目的:
- 开发和验证一种新的深度学习方法,用于诊断儿科阻塞性睡眠呼吸暂停 (OSA).
- 利用原始心电图 (ECG) 数据,根据呼吸暂停-呼吸暂停指数 (AHI) 预测OSA严重程度.
- 创建一个简化,更快,更容易获得的诊断方法,用于儿科OSA.
主要方法:
- 基于卷积神经网络 (CNN) 的回归模型是使用原始心电图追踪来开发的.
- 该模型在儿童腺切除试验 (CHAT) 数据库中的1,610个夜间心电图记录上进行了训练和验证.
- 该CNN模型预测了呼吸暂停-呼吸暂停指数 (AHI),并将OSA严重程度分为4类.
主要成果:
- 拟议的CNN模型与以前的ECG衍生特征算法相比,表现优越 (科恩的kappa:0.373与0.166).
- 对于每小时1,5和10事件的AHI截止值,该模型实现了高精度 (75.92%,86.96%,91.97%) 和特异性 (46.15%,91.39%,98.06%).
- 该模型在各自的AHI截止值中实现了84.19%,76.67%和53.66%的灵敏度.
结论:
- 一个新的CNN模型有效地使用仅ECG数据诊断儿科阻塞性睡眠呼吸暂停 (OSA).
- 这种深度学习方法提供了一种更简单,更快速,更容易获得的替代方案,用于儿童OSA诊断的传统PSG.
- 这些发现表明,这种方法可以很容易地在临床实践中实施,以改善儿科OSA的识别和管理.
