基于心电图的深度学习用于预测儿科和成人先天性心脏病死亡率

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 遗传性心脏病 (CHD) 缺乏针对儿科和成人患者的强大的风险分层工具.
• 需要在各种心血管疾病群体中进行方便的,跨越一生的风险评估.

研究的目的:

• 开发和验证人工智能增强的心电图 (ECG) 工具,用于先天性心脏病 (CHD) 患者的风险分层.
• 评估AI-ECG工具在一个大型,多样化的寿命队列中预测5年死亡率的能力.

主要方法:

• 一个卷积神经网络在波士顿儿童医院的大型心电图数据集上进行了训练和测试.
• 对当代队列进行了时间验证,以确认模型的概括性.
• 模型性能是使用接收器操作特性 (AUROC) 下面积和精度回忆曲线来评估的.

主要成果:

• AI-ECG模型在预测5年死亡率方面表现强 (AUROC 0.79),超过了QRS持续时间和射出分数等传统指标.
• 该模型在时间验证过程中表现相似,在各类心脏病病变的子组分析中表现优于左心室喷射分数.
• 卡普兰-梅尔分析证实了AI-ECG对长期死亡率的预测价值,确定了特定的高风险QRS复杂特征.

结论:

• 经过验证的AI-ECG模型提供了一种有希望的,廉价的风险分层方法,用于一生中患有心血管疾病的个体.
• 这种工具可以为干预和成像的时间提供信息,从而有可能改善心脏病患者获得护理的机会.