一个多式的生理和心理数据集,用于人类的精神压力诱导的心肌缺血症
Xiaoting Peng1,2,3, Dantong Li1,2,3, Jun Quan2
1Medical Big Data Center, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, 510080, China.
Scientific data
|June 27, 2024
概括
这项研究开发了使用心电图数据的机器学习模型,以区分精神压力诱导的心肌缺血症 (MSIMI) 在没有阻塞性冠状动脉 (ANOCA) 的胸痛患者中. 模型显示不同阶段的心电图对于诊断MSIMI非常有价值.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 精确区分无阻塞冠状动脉 (ANOCA) 的心痛和精神压力诱导的心肌缺血症 (MSIMI) 之间,对于有效的治疗至关重要.
- 有限的公共数据阻碍了研究,特别是关于这些疾病在女性中的更高发病率.
研究的目的:
- 开发和评估机器学习模型,以使用心电图数据在女性ANOCA患者中诊断MSIMI.
- 为 ANOCA 和 MSIMI 的未来研究创建一个有价值的数据集.
主要方法:
- 预期招募80名女性ANOCA患者和39名年龄相匹配的女性对照.
- 在休息,精神压力任务和恢复期间进行持续的心电图监测,在压力期间使用PET/CT成像.
- 开发五种机器学习模型,利用不同压力阶段的ECG变量进行MSIMI分类.
主要成果:
- 黄金标准PET/CT,在80名ANOCA患者中,在35名患者中诊断出MSIMI.
- 机器学习模型表明,来自不同阶段的ECG数据有效地分类MSIMI.
- 该研究产生了包括人口统计,生理和血液检测结果在内的综合数据集.
结论:
- 在精神压力任务的不同阶段收集的心电图数据具有在ANOCA患者中诊断MSIMI的重大潜力.
- 预计新建立的数据集将加速ANOCA和MSIMI研究的进展.
- 这项工作突显了机器学习在非侵入性评估心肌缺血症方面的实用性.
