一个集心电图和实验室指标的深度学习系统,用于诊断急性大动脉剖析和急性心肌梗塞
Liping Wang1, Hai Wu2, Chaoyong Wu3
1Department of Computer Center, Zigong Fourth People's Hospital, Zigong, Sichuan 643000, China.
International journal of cardiology
|January 29, 2025
概括
一个新的深度学习模型使用心电图和实验室数据准确区分急性心肌梗塞 (AMI) 和急性斯坦福型A动脉剖析 (AAD-type A). 这种方法有助于在先进的成像无法使用的情况下快速诊断.
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:
- 急性斯坦福A型大动脉解剖 (AAD-type A) 和急性心肌梗塞 (AMI) 具有共同的症状,但需要不同的治疗方法.
- 快速区分至关重要,特别是在初级保健机构有限的放射学设备.
研究的目的:
- 开发一种多式深度学习模型,以提高AAD型A和AMI的诊断准确度.
- 整合心电图 (ECG) 信号和实验室指标,以改善差异化.
主要方法:
- 从136名AAD型A和141名AMI患者收集了ECG和实验室数据,用于培训/验证.
- 使用ResNet-34用于ECG特征提取,与实验室/人口统计数据相结合.
- 评估了逻辑回归,RandomForest,XGBoost和LightGBM模型,使用SHAP来确定特征的重要性.
主要成果:
- 当包括心电图特征时,随机森林模型获得了最高的性能 (AUC 0.98验证,0.969测试).
- SHAP分析确定了热素,D-二聚体和心电图特征作为关键的差异化特征.
- 多模式数据融合显著提高了诊断准确度.
结论:
- 电脑心电图特征对于区分AAD型A和AMI非常有价值.
- 这种多式联机深度学习方法为快速诊断心血管疾病提供了一个新的工具.
- 该模型展示了在资源有限的环境中高效差异诊断的潜力.
