从使用深度神经网络的12导电心电图来预测极低的体重
Ken Kurisu1, Tadahiro Yamazaki1, Kazuhiro Yoshiuchi2
1Department of Stress Sciences and Psychosomatic Medicine, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
Scientific reports
|February 27, 2024
概括
深度学习可以使用12导电心电图 (ECG) 预测极低的体重. 该模型确定了QRS波和较低的QRS电压作为精神性厌食症患者的关键指标.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 之前的研究成功地使用深度学习来预测超重状况从12心电图.
- 使用心电图数据预测体重不足状况的预测模型尚未被探索.
- 极低体重是一个关键的健康问题,特别是在精神性厌食症等疾病中.
研究的目的:
- 评估深度学习的可行性,以预测使用12导心电图的极低体重 (BMI ≤12.6 kg/m2).
- 通过识别相关的ECG特征来调查基于ECG的预测背后的逻辑.
- 在神经性厌食症患者中探索ECG特征与极低体重之间的关联.
主要方法:
- 一个卷积神经网络 (CNN) 被训练使用来自住院患者的12导电图数据,主要是神经性厌食症患者.
- CNN的设计是为了输出一个二进制预测,即患者的体重指数 (BMI) 是否≤12.6 kg/m2.
- 使用梯度加权类激活映射 (Grad-CAM) 可视化影响模型预测的ECG区域.
主要成果:
- 在测试数据集上,CNN模型在接收器操作特征曲线 (AUC) 下的面积为0.807,表明了良好的预测性能.
- 梯度加权类激活映射突出显示QRS波是CNN预测的主要焦点.
- 在QRS电压和模型的预测得分之间观察到负相关性,这表明较低的QRS电压与极低的体重有关.
结论:
- 深度学习模型是可行的,用于预测使用标准的12心电图极低的体重.
- 特定的心电图特征,特别是较低的QRS电压,与神经性厌食症患者的极低体重有关.
- 这种方法提供了一种潜在的非侵入性方法,用于识别有严重体重不足风险的个体.
