一个多任务深度学习模型利用心电图来预测主要心血管不良事件

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:

• 使用深度学习的心电图 (ECG) 分析显示,预测心血管疾病的结果是有前途的.
• 心血管疾病仍然是全球死亡的主要原因,需要先进的预测工具.

研究的目的:

• 开发和验证一种新的多任务深度学习模型,ECG-MACE,用于预测一年内发生的重大心血管不良事件 (MACE).
• 根据既定的风险得分来评估模型的性能,并评估其长期预测能力.

主要方法:

• 一个多任务深度学习模型 (ECG-MACE) 在台湾一家医院的2,821,889个标准12引线心电图的大数据集上进行了训练和验证.
• 外部验证是使用来自独立医疗中心的数据 (113,224个ECG) 进行的.
• 用各种心血管事件和死亡率的接收器操作特征曲线 (AUROC) 下的区域来评估模型性能.

主要成果:

• 通过ECG-MACE模型实现了高AUROC:心力衰竭为0.90,心肌梗塞为0.85,缺血性中风为0.76,死亡率为0.89.
• 该模型在预测5年MACE和10年死亡率方面表现优于弗雷明汉风险评分.
• 在10年的随访期间,模型预测MACE阳性的人与预测阴性的人相比,事件发生率明显更高.

结论:

• 该ECG-MACE模型有效预测一年内心血管事件,并仅使用ECG数据证明长期预测价值.
• 这种人工智能驱动的方法在预防性心脏病学和早期疾病检测方面具有很大的应用潜力.