使用人工智能支持的心电图分析进行儿科性别估计:青春期发育的影响

科学领域:

• 人工智能在医学中的应用
• 儿童心脏病学 儿童心脏病学
• 生物医学信号处理

背景情况:

• 人工智能 (AI) 在预测成年人心电图 (ECG) 患者的性别方面已经表现出有效性.
• 电脑电图特征与性激素之间的相关性表明,在儿科患者群体中有潜在的应用.
• 了解青春期发育对心电图性别预测的影响对于儿科应用至关重要.

研究的目的:

• 评估人工智能支持的心电图能够预测儿科患者的性别的能力.
• 调查青春期发育阶段对基于人工智能的ECG性别预测准确性的影响.
• 为了比较 de novo 儿科人工智能模型与从成人数据中获得的转移学习模型的性能.

主要方法:

• 使用在10秒,12儿科心电图上训练的卷积神经网络开发AI模型.
• 从90,133名独特的儿科患者心电图 (年龄≤18岁) 建立了培训和验证数据集.
• 在青春期前 (0-7),青春期前 (8-14),青春期后 (15-18) 年龄段进行了子组分析.

主要成果:

• 新的儿科人工智能模型在整个测试队列中实现了81%的准确性和0.91的曲线下面面积 (AUC).
• 模型性能因青春期的不同而有所不同,青春期后 (AUC=0.98) 和青春期前 (AUC=0.67) 的儿童与青春期前的儿童相比,青春期后 (AUC=0.98) 和青春期前 (AUC=0.91) 的儿童具有更高的辨别能力.
• 在 de novo 和转移学习模型之间没有发现显著的绩效差异.

结论:

• 人工智能支持的心电图解释可以准确地估计近青春期和青春期后儿童的性别.
• 来自ECG的基于AI的性别预测的准确性受到青春期发育阶段的影响.
• 人工智能有望在儿科护理中进行非侵入性性别估计,特别是在老年儿童和青少年中.