一个基于心电图的人工智能模型,用于评估心脏突然死亡风险
Lauri Holmstrom1, Harpriya Chugh1, Kotoka Nakamura1
1Center for Cardiac Arrest Prevention, Department of Cardiology, Smidt Heart Institute, Cedars-Sinai Medical Center, Los Angeles, CA, USA.
Communications medicine
|February 27, 2024
概括
使用心电图 (ECG) 的深度学习 (DL) 模型显示,与传统方法相比,预测突然心脏死亡 (SCD) 风险的准确性提高了. 这种先进的心电图分析提供了一个更强大的工具,用于识别患有SCD高风险的个人.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 传统的心电图 (ECG) 算法对突然心脏死亡 (SCD) 风险分层具有适度的预测能力.
- 深度学习 (DL) 模型通过分析整个数字心电图信号来提高预测能力.
研究的目的:
- 训练和验证基于ECG的12DL算法,以提高SCD风险评估.
- 将DL模型的性能与传统的ECG风险模型进行比较.
主要方法:
- 一个DL模型是使用1,796个SCD病例中的1,827个心脏骤停前12心电图来开发的.
- 在一个单独的队列中,从SCD病例中对714个ECG进行了外部验证.
- 将DL模型的性能与使用对照组的传统6变量心电图风险模型进行了比较.
主要成果:
- DL模型在接收器操作特征曲线 (AUROC) 下的面积达到0.889在内部和0.820在外部.
- DL模型显著优于传统的心电图模型,该模型的AUROC为0.712 (内部) 和0.743 (外部).
结论:
- 与传统方法相比,基于心电图的DL模型在区分SCD病例与对照病例方面表现出更高的准确性.
- 需要进一步的研究来探索DL模型在改善临床实践中SCD风险分层的潜力.
