在初级保健中使用非线性洛伦兹散射图和深度学习检测心房动
Yi Yao1,2,3, Yu Jia1,2,3, Miaomiao Wu1,2,3
1General Practice Ward/International Medical Center Ward, General Practice Medical Center, West China Hospital, Sichuan University, Chengdu, China.
BMC primary care
|July 20, 2024
概括
使用非线性洛伦兹散射图的新型深度学习模型显示,在初级保健查中检测心房动 (AF) 的精度很高. 这种方法为早期AF诊断和干预提供了一个有前途的工具.
科学领域:
- 心脏病学 心脏病学
- 医疗技术 医疗技术 医学技术
- 医疗保健中的人工智能
背景情况:
- 心房动 (AF) 是导致心力衰竭,中风和死亡的重要危险因素.
- 通过查早期发现AF可以通过及时干预改善患者的治疗结果.
- 在初级保健机构中,解释长期可穿戴式心电图数据带来了挑战.
研究的目的:
- 使用非线性洛伦兹散射图 (LS) 和深度学习开发一个准确的AF情节检测模型.
- 解决在初级保健中用于AF查的可穿戴式心电图数据的解释挑战.
主要方法:
- 来自MIT-BIH数据库的ECG数据被用来创建一个2D LS表示.
- 一个深度学习模型在 MIT-BIH 门诊心电图 (AE) 数据集上进行了训练和内部验证.
- 外部验证使用可穿戴心电图设备的初级保健数据集 (MOBILE-SCREEN-AF) 进行.
主要成果:
- 该模型在内部验证中获得了高性能 (灵敏度:0.992,特异性:0.973,精度:0.983).
- 外部验证显示了强大的性能 (灵敏度:0.989,特异性:0.956,精度:0.967).
- 该模型在MS-AF数据集中显示出精准的精确度,无论是偏激 (1.000,0.870,0.876) 还是持久性AF (0.927,1.000,0.973).
结论:
- 集成非线性LS分析的深度学习模型显示AF检测的高精度.
- 开发的模型显示了在初级保健AF查中实际应用的巨大潜力.
- 这种方法提供了一种可靠的方法来诊断可穿戴式心电图设备的AF情节.
