深度神经网络通过12导电心电图检测区域壁壁运动异常和临床前心血管疾病

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:

• 识别区域壁运动异常 (RWMA) 对心血管疾病诊断和风险分层至关重要.
• 缺血性心脏病的管理严重依赖于检测RWMAs.

研究的目的:

• 开发和验证一个深度神经网络 (DNN),能够仅使用标准的12导电心电图 (ECG) 数据检测RWMA.
• 评估DNN识别不同程度的左心室功能障碍和右心室低运动的能力.

主要方法:

• 一个卷积神经网络被训练在ECG数据从患者与并发心声图.
• 该模型确定了RWMA,RV低运动和左心室喷射率 (LVEF) 值 (≤50%,≤40%,≤35%).
• 使用接收器操作特征曲线 (AUC) 下的面积来评估性能,并通过Cox模型评估未来的急性冠状动脉事件风险.

主要成果:

• 在确定RWMA (AUC 0.87) 和LVEF ≤40% (AUC 0.93) 时,DNN实现了高准确度.
• 该模型在检测RV低运动 (AUC 0.888) 和LVEF ≤35% (AUC 0.876) 中表现出强的性能.
• 根据模型确定RWMA的患者面临2.8倍的未来急性冠状动脉事件的风险增加.

结论:

• 一个DNN可以有效地识别RWMA和左心室功能减少从12导电心电图.
• 这种人工智能工具显示出作为心脏成像选的非侵入性查方法的潜力.
• 使用心电图数据与DNN可以改善心血管疾病的早期检测和管理.