人工智能用于血液动力学监测,使用可穿戴心电图监测仪

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 左心房压的非侵入性测量对于识别有肺堵塞风险的患者至关重要.
• 早期识别有助于主动管理心力衰竭.
• 可穿戴心脏监测器为推断血液动力学数据 (如左心房压力) 提供了一个潜在的途径.

研究的目的:

• 开发一种深度神经网络,能够使用单导电心电图 (ECG) 数据来确定左心房压升高的情况.
• 在内部和外部数据集中验证模型的性能.
• 评估使用心电图贴片监测器进行门诊血液动力学监测的实用性.

主要方法:

• 在马萨诸塞州总医院 (MGH) 的6739个心电图样本上训练了一个深度神经网络.
• 该模型在MGH进行了内部验证,并在第二个机构的4620个样本上进行了外部验证.
• 在接受右心导管治疗的患者中,使用贴片监视器的ECG数据进行了前性评估.

主要成果:

• 该模型实现了接收器操作特征曲线 (AUC) 下的面积为0.80 (内部) 和0.76 (外部验证),用于检测左心房压力升高.
• 在前性数据集上,该模型显示AUC为0.875,用于识别左心房压升高,使用在右心脏导管注射附近获得的心电图信号.
• 这些发现凸显了该模型在估计来自心电图数据的左心房压力的准确性.

结论:

• 发达的深度神经网络在非侵入性地估计左心房压力方面具有显著的实用性.
• 使用心电图贴片监测器进行的门诊心脏血液动力监测具有相当大的临床应用潜力.
• 这项技术可以帮助主动进行心力衰竭管理和风险分层.