相关实验视频
Updated: Jun 30, 2025
06:02
Assessing Cardiac Reprogramming using High Content Imaging Analysis
Published on: October 26, 2020
1.3K
通过可解释的深度学习和新的多参数极性图像,对心力衰竭进行循环评估
Mohanad Alkhodari1, Ahsan H Khandoker2, Herbert F Jelinek3
1Healthcare Engineering Innovation Center (HEIC), Department of Biomedical Engineering and Biotechnology, Khalifa University, Abu Dhabi, United Arab Emirates; Cardiovascular Clinical Research Facility, Radcliffe Department of Medicine, University of Oxford, Oxford, UK.
Computer methods and programs in biomedicine
|March 14, 2024
概括
这项研究引入了一种新的心力衰竭 (HF) 查方法,该方法结合了心率变化 (HRV) 和患者数据. 这种新的方法在检测高频率方面显示出高精度,提供了潜在的早期检测工具.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 心力衰竭 (HF) 影响全球超过6430万.
- 目前的心声回声学查缺乏昼夜节律和患者个人资料数据.
- 为高频评估提出了一种新的多参数方法.
研究的目的:
- 开发和验证一种新的心力衰竭评估方法.
- 整合心率变化 (HRV) 和临床数据,以改善心率检测.
- 探索深度学习在分析复杂的心血管数据方面的潜力.
主要方法:
- 使用了24小时HRV和临床信息数据集.
- 功能被组合成一个单极图像表示.
- 使用2D深度学习模型推断HF存在.
主要成果:
- 该模型实现了高性能指标:AUC 0.883,灵敏度90.68%,特异性95.19%,NMCC 0.93,精度92.62%.
- 验证是在303名冠状动脉疾病患者的多中心队列上进行的.
- 模型解释突出了与HF阶段相关的关键时间和临床因素.
结论:
- 拟议的方法显示了作为早期HF查工具的希望.
- 这种方法为传统的心声回声学提供了昼夜增强.
- 它为心脏病学下一代个性化医疗保健奠定了基础.
