使用心电图谱识别高危心肌缩性心脏病的成像特征:一种深度学习方法

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:

• 超性心肌病 (HCM) 患者面临突然死亡风险,需要识别高风险个体进行初级预防.
• 心脏磁共振成像 (CMR) 建议用于识别高风险的HCM特征,但在世界各地面临着可访问性挑战.

研究的目的:

• 开发和验证深度学习 (DL) 模型,利用心电图 (ECG) 数据来识别患有HCM和高风险成像特征的患者.
• 评估ECG-DL模型的潜力,以帮助风险分层并减少对CMR成像的依赖.

主要方法:

• 图夫斯医疗中心的ECG-DL模型是使用1930年HCM患者的数据开发的.
• 模型预测了高风险特征:静脉缩功能障碍,大规模缩 (≥30毫米),尾动脉瘤和广泛的晚期加多增强.
• 外部验证是从阿姆里塔医院HCM中心对233名HCM患者进行的.

主要成果:

• 在ECG-DL模型中,在持久测试和外部验证队伍中,可靠地识别了高风险特征.
• 超声心电图和选择性ECG-DL引导CMR的联合策略使CMR建议减少了61%,同时保持了97%的灵敏度.
• 在不推接受CMR的患者中,缺乏高风险特征的负预测值为99.5%.

结论:

• 新的ECG-DL模型有效地识别了HCM患者的高风险成像特征.
• 这些模型提供了一个潜在的解决方案,以减少CMR测试负担,特别是在资源不足的地区.