提高膜病理和心室功能障碍的诊断效率,使用组合听力和心电图数据:一种多式人工智能方法

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 早期诊断膜心脏病和心室功能障碍对于及时干预至关重要.
• 传统的诊断方法,如心声回声学,可能是资源密集的.
• 基于传感器的方法,如听觉和心电图,可提供可访问的初步查.

研究的目的:

• 评估将机器学习与基于传感器的数据 (听觉和心电图) 整合在一起,以诊断膜异常和左心室功能障碍的有效性.
• 与单个传感器贡献相比,评估复合传感器模型的诊断性能.
• 探索多式人工智能在心血管诊断中的潜力.

主要方法:

• 收集了来自1052名患者的同时听觉和12导电图数据.
• 使用四重交叉验证方法来训练神经网络在心脏声音和心电图线索上.
• 采用堆叠技术,将来自单个神经网络的输出组合成一个复合模型.
• 在103名患者的独立队列上验证了该模型,这些患者被选为严重的大动脉狭窄,严重的额头肌吐和左心室功能障碍 (排泄分数≤40%).

主要成果:

• 复合传感器模型显示出高的诊断效率:大动脉狭窄的AUC为0.93, mitrale regurgitation为0.80,左心室功能障碍为0.75.
• 个人传感器的贡献因被诊断的特定疾病而异,突出显示了协同作用的潜力.
• 机器学习模型成功地识别了严重的大动脉狭窄,严重的 mitra 排泄和左心室功能障碍.

结论:

• 机器学习模型整合了听觉和心电图数据,可以有效地检测通常通过成像诊断的心血管疾病.
• 利用多式联动人工智能的传感器融合方法显示了对高效和可访问的心血管诊断的重大承诺.
• 这项研究强调了将非侵入性传感器数据与人工智能相结合的潜力,以改善患者查和管理.