预测心血管疾病的风险使用光电质量学和深度学习

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 心血管疾病 (CVD) 是导致过早死亡的主要原因,特别是在低收入和中等收入国家.
• 现有的心血管疾病风险评估工具通常需要体检或实验室测试,限制资源有限的环境中的可访问性.
• 可在智能手机上使用的光电脉冲图 (PPG) 传感器为广泛的心血管疾病查提供了一个潜在的低成本解决方案.

研究的目的:

• 调查基于深度学习的CVD风险评分 (DLS) 的有效性,利用PPG信号预测主要心血管不良事件 (MACE).
• 为了比较基于PPG的DLS与重新装配的世卫组织风险评分的性能.
• 评估基于PPG的风险预测在资源有限的地区进行初级预防的潜力.

主要方法:

• 开发了一种深度学习模型 (DLS) 以使用年龄,性别,吸烟状况和PPG数据来预测10年MACE风险.
• 通过使用英国生物库数据 (开发和测试集) 将DLS性能与基于办公室的改造-WHO评分进行比较.
• 使用C-统计学进行区分和平均绝对校准误差来评估模型性能.

主要成果:

• DLS 实现了 71.1% 的 C 统计,表明在测试数据集中不低于 WHO 重整得分 (70.9%).
• DLS显示了令人满意的校准,平均绝对校准误差为1.8%.
• 纳入DLS功能使办公室成绩的C统计数据提高了1.0%.

结论:

• 基于PPG的深度学习心血管疾病风险得分可以预测10年的MACE风险,与传统的办公室得分相比.
• 独立于心率的PPG衍生特征有助于风险预测,建议一种新的心血管疾病评估方法.
• 这项研究支持基于PPG的策略的潜力,用于可访问的,基于社区的初级心血管疾病预防,特别是在资源有限的环境中.