基于心电图的传导干扰的预测,在用卷积神经网络替换过导管大动脉之后

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:

• 永久心脏起器植入和左捆分支阻塞是通过导管的大动脉置换 (TAVR) 后的常见并发症.
• 这些并发症与TAVR患者的预后较差有关.
• 对这些障碍的预测工具对于改善患者管理至关重要.

研究的目的:

• 开发和验证一种人工智能 (AI) 模型,用于预测TAVR后的传导干扰.
• 使用手术前的12导电心电图 (ECG) 图像作为AI模型的主要数据源.
• 将AI模型的性能与现有的风险评分和传统模型进行比较.

主要方法:

• 一个卷积神经网络 (CNN) AI 模型是使用 718 个接受 TAVR 的患者的手术前 12 ECG 开发的.
• 该模型经过五次交叉验证的训练,并对持有队列 (20%的数据) 进行了测试.
• 此外,还开发并验证了一种包含额外临床特征的增强模型.

主要成果:

• 人工智能模型,仅使用心电图像,达到0.764的AUC,超过埃莫里得分 (AUC=0.704) 和其他模型.
• 人工智能模型在预测导电干扰方面表现出高灵敏度 (0.876) 和准确度 (0.743).
• 增强的AI模型,包括临床特征,进一步提高了性能,AUC为0.779和准确率为0.774.

结论:

• 与传统的高风险心电图模式相比,人工智能增强的心电图分析为TAVR后传导干扰提供了更好的预测价值.
• 开发的AI模型显示了改善TAVR后风险分层和患者护理的巨大潜力.
• 临床数据的整合进一步增强了AI模型的预测能力.