从使用深度学习的心电图来识别心律失常和纤维化风险的中心脱落,使用深度学习
Geoffrey H Tison1,2, Sean Abreau1, Joshua Barrios1
1Cardiovascular Division, Department of Medicine, University of California-San Francisco, San Francisco, California, USA.
使用心电图 (ECG) 的机器学习可以识别患有心交脱落 (MVP) 的患者,这些患者有复杂腹腔外垂 (ComVE),死亡和心脏纤维化风险. 这项技术有助于选择高风险的MVP患者进行更密切的监测.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 密特拉脱落 (MVP) 是一种常见的心脏门疾病.
- 一部分MVP患者面临心脏突发死亡和复杂腹腔外周 (ComVE) 的风险.
- 在MVP患者中,ComVE表明心肌纤维化和死亡率的风险增加.
研究的目的:
- 确定分析心电图 (ECG) 的机器学习 (ML) 算法是否可以识别有ComVE风险的MVP患者.
- 评估基于心电图的ML是否可以预测通过心磁共振 (CMR) 图像检测到的死亡率和心肌纤维化.
- 在MVP中识别与心律失常风险相关的新型心电图标记物.
主要方法:
- 一个深层卷积神经网络 (CNN) 在6,916个MVP患者的12ECG上受过训练,以检测ComVE.
- 一个单独的CNN在1369名MVP患者的心电图上接受了训练,CMR数据检测到晚期加多增强 (LGE).
- 这项研究分析了加利福尼亚大学旧金山分校2012-2020年ECG数据.
主要成果:
- 美国有线电视新闻网 (CNN) 实现了0.80的接收器运行特征曲线 (AUC) 下的区域,以检测ComVE.
- 该模型表现出高性能,即使排除了中度至重度腹或胆叶片MVP的患者.
- 基于心电图的CNN还显示了所有原因死亡率 (AUC0.82) 和LGE (AUC0.75) 的预测能力.
- 对于ComVE预测的相关心电图段涉及心室去极化/再极化模式.
结论:
- 美国有线电视新闻网对12导电心电图的分析有效地识别了MVP患者的风险室内节律失常,死亡和心脏纤维化.
- 基于心电图的CNN可以发现心律失常风险的新心电图指标.
- 这种方法可能有助于选择需要密集后续或CMR评估的MVP患者.
更多相关视频
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
10:17Real-Time Cardiac Mapping with a Noninvasive Imageless Electrocardiographic Imaging System
Published on: April 11, 2025
相关概念视频
Mitral Stenosis II: Clinical features and Diagnostic Tests
Mitral Valve Prolapse II: Assessment and Management
Mitral Valve Prolapse I: Introduction
Mitral Regurgitation II: Clinical Features and Diagnostic Tests
Dysrhythmias V: Evaluating Dysrhythmias
Mitral Stenosis I: Introduction
