使用深度学习,临床模型和多基因得分来预测发生的心房动

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 应用到心电图 (ECG-AI) 的深度学习是预测心房或动 (AF) 的新兴方法.
• 这项研究开发并验证了第三级心脏中心的ECG-AI模型.

研究的目的:

• 引入和评估一个ECG-AI模型,用于预测新出现的AF.
• 将ECG-AI模型的性能与已建立的临床模型和AF多基因分数 (PGS) 进行比较.

主要方法:

• 一个ECG-AI模型是使用70%的培训,10%的验证和20%的测试数据从145323名患者开发的.
• 使用接收器操作特征 (AUC-ROC) 曲线下的面积来评估性能.
• 外部验证使用MIMIC-IV医院数据集进行.

主要成果:

• 该ECG-AI模型实现了AUC-ROC为0.78并确定了26%的患者患有4.3倍增加的事件AF风险.
• 在子组分析中,ECG-AI的表现优于CHARGE-AF (AUC-ROC = .62) 和PGS (AUC-ROC = .59).
• 在MIMIC-IV的外部验证显示了一致的性能 (AUC-ROC = .77).

结论:

• ECG-AI 作为一个准确的工具来预测新出现的AF.
• 开发的ECG-AI模型超过了临床模型和PGS的预测能力.