从心电图对右心室大小和功能的定量预测

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:

• 右心室喷射分数 (RVEF) 和终腹体积 (RVEDV) 是评估心脏健康的关键指标,但使用传统技术精确测量是具有挑战性的.
• 深度学习 (DL) 的应用用于分析心电图 (ECG) 以估计右心室 (RV) 尺寸和功能仍然是心血管研究中尚未探索的领域.

研究的目的:

• 开发和验证一个DL-ECG模型,能够预测RV扩张和功能障碍.
• 评估模型估计数值RVEDV和RVEF的能力.
• 调查预测的RVEF与患者存活率之间的关联.

主要方法:

• 使用来自英国生物库 (n=42,938) 的12导心电图和心磁共振成像 (CMR) 数据训练了一个DL-ECG模型,以预测RV扩张,RV功能障碍,RVEDV和RVEF.
• 该模型在多中心健康系统 (MSH_original; n=3019) 的数据上进行了微调,并进行了前性验证 (MSH_validation; n=115).
• 性能被评估使用接收机运行特征曲线下的面积 (AUC) 进行分类预测和连续测量时的平均绝对误差 (MAE). 使用Cox比例危险模型进行了生存分析.

主要成果:

• 在不同队列中,DL-ECG模型在预测RV功能障碍 (AUC:0.86-0.77) 和RV扩张 (AUC:0.91-0.92) 方面表现良好.
• 在MSH_原始队列中,该模型实现了RVEF的MAE为7.8%,RVEDV为17.6mL/m2.
• 预测的RVEF与在2.3年的中位随访期内改善的无移植生存率 (HR=1.40每10%减少;P=0.031) 有显著关联.

结论:

• 对心电图的深度学习分析可以有效地识别显著的VR功能障碍和扩张,根据CMR标准进行验证.
• DL-ECG模型提供了一个非侵入性的方法来估计RV参数,提供了有价值的临床见解.
• 来自ECG的预测RVEF显示了与患者临床结果的显著关联,突出了其预后价值.