使用心房动或动心电图来预测左心室喷射率的减少:一项机器学习研究
Soonil Kwon1, SooMin Chung2, So-Ryoung Lee3,4
1Division of Cardiology, Department of Internal Medicine, SMG-SNU Boramae Medical Center, Seoul, Republic of Korea.
Digital health
|January 22, 2025
概括
深度学习模型可以使用心电图 (ECG) 预测心房动 (AF) 或心房动 (AFL) 的患者的左心室喷射率 (LVEF) 降低. AFibEFNet模型显示出卓越的性能,整合了ECG和临床数据以提高准确性.
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:
- 左心室喷射分数 (LVEF) 的评估对于治疗心房 (AF) 或心房 (AFL) 的患者至关重要.
- 使用AF/AFL心电图 (ECG) 预测降低的LVEF (<50%) 目前缺乏足够的证据.
- 开发用于预测LVEF的非侵入性方法对于及时的医疗干预至关重要.
研究的目的:
- 研究深度学习方法来预测AF/AFL患者的LVEF降低 (<50%).
- 使用心电图和临床数据评估定制卷积神经网络模型 (AFibEFNet) 的有效性.
- 建立一种可靠的方法,以便在AF/AFL患者中早期识别减少的LVEF.
主要方法:
- 分析了15,683名患有AF/AFL的患者和心声回声数据的队列.
- 包括新型AFibEFNet在内的深度学习模型使用ECG信号,ECG特征和临床信息进行训练.
- 模型性能使用持久测试数据集,五倍交叉验证和校准图进行评估.
主要成果:
- 与其他模型相比,AFibEFNet模型显示出优异的预测性能,仅使用ECG就实现了0.798的AUROC.
- 将临床特征与心电图数据相结合,显著改善了AFibEFNet的AUROC至0.816和AUPRC至0.547.
- 该模型主要侧重于特定的ECG组件,如R波和QRS复合体,用于预测.
结论:
- 机器学习,特别是像AFibEFNet这样的深度学习模型,可以有效地预测AF/AFL患者的LVEF降低,使用标准的12导电心电图.
- 临床数据的整合提高了这些模型的预测准确度.
- 这种方法提供了一个有前途的非侵入性工具,用于识别患有减少LVEF风险的患者.
