在卷积神经网络模型中,用于检测心房动的特异性性能,使用鼻腔节律心电图

科学领域:

• 心脏病学 心脏病学
• 人工智能在医学中的应用
• 医学诊断 医学诊断 医学诊断

背景情况:

• 检测心房动 (AF) 对于预防中风至关重要.
• 卷积神经网络 (CNN) 模型显示出使用心电图 (ECG) 进行AF检测的前景.
• 使用鼻腔节律心电图 (SR-ECG) 进行基于CNN的AF检测的最佳心电图导向配置仍需确定.

研究的目的:

• 通过使用各种SR-ECG导向配置,评估CNN模型用于AF检测的诊断性能.
• 为了比较8,单和双SR-ECGs在基于CNN的AF检测中的有效性.
• 为有效的AF查确定潜在的其他电图组合.

主要方法:

• 一项前性队列研究的回顾性分析,涉及19170名新患者.
• 从616个AF病例和3,412个SR病例中使用SR-ECGs开发和5倍交叉验证CNN模型.
• 使用8,单和双 (特别是I和V1) SR-ECGs评估CNN模型性能.

主要成果:

• 在CNN模型下,八导心电图的曲线下面面积 (AUC) 为0.872.
• 使用I和V1导线的双导线心电图产生了0.871.1的可比AUC.
• 对于AF检测的几率比为15.24为8导电心电图和14.34为双导电心电图 (I,V1).

结论:

• 一个CNN模型可以有效地检测使用SR-ECG数据的AF.
• 双导电图 (导线I和V1) 提供了与8导电图用于AF检测相匹配的诊断性能.
• 双线心电图 (I,V1) 为AF查提供了一个潜在的替代方案,简化了数据采集.