改进了U-Net模型,以估计基于光电显微镜和动脉压波形的心脏输出
Xichen Xu1, Qunfeng Tang2, Zhencheng Chen2
1School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
一种新型的深度学习模型使用光聚光学 (PPG) 和动脉压 (ART) 波形准确估计心脏输出 (CO). 这种微创方法为传统的二氧化碳测量技术提供了可靠的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 心血管生理学心血管生理学
- 人工智能在医学中的应用
背景情况:
- 准确的心脏输出 (CO) 估计对于血液动力学监测至关重要.
- 传统的二氧化碳测量方法可能是侵入性的或取决于操作者.
- 需要一种非侵入性,准确且独立于操作者的CO估计方法.
研究的目的:
- 开发和验证一个深度学习模型来估计心脏输出 (CO) 来自光电脉冲图 (PPG) 和动脉压 (ART) 波形.
- 为传统的二氧化碳测量技术提供一种侵入性最小的,独立于操作者的替代方案.
- 为了在更广泛的患者范围内实现更高准确度的CO估计.
主要方法:
- 一个双通道,改进的U-Net深度学习模型是使用543名患者的公开数据集开发的.
- 该模型处理了PPG和ART波形 (每个为2048分),以估计CO.
- 模型的性能是根据从EV1000仪器获得的参考CO值来评估的.
主要成果:
- 深度学习模型与参考CO值有很强的一致性.
- 平均CO值为5.01 ± 1.60 L/分钟 (参考值) 和4.98 ± 1.59 L/分钟 (预测值).
- 关键性能指标包括偏差为-0.04 L/min,皮尔森相关系数 (r) 为0.951,百分比误差 (PE) 为19.5% (临床可接受度低于30%).
结论:
- 拟议的双通道U-Net深度学习模型为估计心脏输出提供了高度准确和一致的方法.
- 这种人工智能驱动的方法超越了传统的配方方法,并符合临床可接受性标准.
- 该模型为CO评估提供了一个有价值的,非侵入性的替代方案,特别是当专用设备或肺动脉导管是不可行的时.
