通过使用深度学习,对心房的早期预警
Marino Gavidia1, Hongling Zhu2, Arthur N Montanari3
1Luxembourg Centre for Systems Biomedicine, University of Luxembourg, 4367 Belvaux, Luxembourg.
Patterns (New York, N.Y.)
|July 15, 2024
概括
一个新的深度学习模型 - - 耳前的预警 (WARN) - - 可以提前30分钟使用可穿戴设备的R-to-R间隔预测耳前的发作. 这种早期检测旨在减少住院治疗和改善患者的治疗结果.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 心房动 (AF) 是最常见的心律障碍,导致住院治疗和健康风险增加.
- 从鼻节律 (SR) 过渡到AF往往需要进行密集的医疗干预.
研究的目的:
- 开发和验证一个深度学习模型,用于早期预测AF发作.
- 用R-to-R间隔信号来评估模型的性能,以潜在地整合到可穿戴技术中.
主要方法:
- 一个深层卷积神经网络被开发出来,名为心房的警告 (WARN).
- 该模型在280名患者的24小时霍尔特心电图数据上进行了训练和验证.
- 70名测试患者和33名来自外部中心的患者的表现得到了评估.
主要成果:
- 在预测AF发作时,WARN模型实现了83%的准确性和85%的F1得分.
- 预测是在事件发生前平均30.8分钟进行的.
- 该模型使用R-to-R间隔信号,与可穿戴传感器兼容.
结论:
- 警告模型在使用可访问的R-to-R间隔数据的早期AF检测中表现出高准确性.
- 它的低计算成本使其适合通过可穿戴设备进行持续监控.
- 早期的AF检测有可能减少紧急干预,并提高患者的护理.


