从睡眠模式到心律:从夜间的多睡眠图谱预测心房动

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 睡眠医学 睡眠医学

背景情况:

• 心房动 (AF) 通常无症状,导致诊断不足和治疗延迟.
• 由于相关的中风和心力衰竭风险,早期预测AF至关重要.
• 阻塞性睡眠呼吸暂停在AF患者中很常见,这使得多眠图 (PSG) 电图对AF预测有价值.

研究的目的:

• 通过在标准PSG过程中获得的单导心电图来识别患有AF高风险的个体.
• 开发和评估基于PSG录音中的ECG特征的AF预测模型.

主要方法:

• 分析了来自13,609名接受PSG的受试者的18,782个单导电图记录.
• 利用手工制作的ECG功能和深度学习模型 (转移学习) 来进行特征提取.
• 结合了这两种方法的特点,并训练了一个浅层神经网络来预测AF,在一组测试中得到验证.

主要成果:

• 预测模型在测试组件上实现了0.67的灵敏度,0.81的特异性和0.3的精度.
• 生存分析显示,AF结果的显著危险比为8.36 (p <1.93 × 10−52).

结论:

• 对一夜间PSG数据的ECG分析显示,尽管有一些错误阳性,但仍有可能预测AF.
• 这种方法可以促进高风险个体的低成本查和主动管理.
• 通过额外的生理数据进行进一步的细化可能会提高准确性并减少假阳性.