一个以人类为中心的AI框架,用于有效标记来自药物安全试验的ECG

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 药物安全试验需要精确的心电图 (心电图) 分析,特别是QT间隔测量,以评估前节律失常风险.
• 手动测量QT间隔是费时的,容易出现错误,影响试验的效率和可靠性.
• 深度学习 (DL) 显示出对自动化心电图分析的希望,但专家验证对于异常记录至关重要.

研究的目的:

• 开发和评估一个高度自动化的框架,将基于DL的QT间隔估计与药物安全性试验的人类专业知识相结合.
• 为了减少与心电图标签相关的手工工作量,同时保持高精度的QT测量.

主要方法:

• 一个框架将自动QT测量与使用DL的不确定性量化结合起来.
• 对DL识别的不确定的或异常的QT测量进行了有针对性的专家审查.
• 根据专家验证的数据重新校准未经审查的测量.

主要成果:

• 该框架显著降低了ECG标签所需的努力,每项试验仅有10%的数据需要专家审查.
• 保持高水平的QT测量准确度,与传统方法相比.
• 在药物安全性研究的ECG分析中证明了有效的人机协作.

结论:

• 拟议的自动化框架为药物安全试验中高效可靠的ECG标签提供了可行的解决方案.
• 有效的人机协作可以提高心电图分析,而不影响临床解释的可靠性.
• 这种方法简化了对QT间隔延长的评估,这是前节律失常风险的关键生物标志物.