一个深度学习模型用于在医院内心脏骤停期间组织节律的QRS划分
Jon Urteaga1, Andoni Elola2, Daniel Herráez3
1Communications Engineering Department, University of Basque Country (UPV/EHU), Bilbao, Spain.
International journal of medical informatics
|February 1, 2025
概括
一个新的深度学习模型准确地识别了心脏骤停 (CA) 患者的QRS复合体. 这种先进的QRS划分可以提高临界心脏事件期间的诊断准确度和治疗策略.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 心脏骤停 (CA) 是一种需要立即医疗干预的危急情况.
- 电心电图 (ECG) 在CA期间评估心脏健康至关重要.
- 准确的QRS复杂界限对于解释ECG至关重要,但在CA节奏中具有挑战性.
研究的目的:
- 开发一种新的深度学习模型,用于精确的QRS复杂界限.
- 解决经典算法的局限性,在CA中组织节奏期间识别QRS复合体.
主要方法:
- 使用了两个数据集:332例住院CA发作和105名血液动力稳定的患者.
- 采用三阶段方法:信号预处理,基于U-Net的窗口分类和细分合并.
- 训练U-Net模型进行样本分类和窗口细分.
主要成果:
- 平均F1得分为97.03%,灵敏度为97.69%,特异性为96.47%.
- 在QRS复杂划线中表现出高准确度,在欧盟地区的平均交叉率为79.09%.
- 报告QRS发作 (8.56%) 和偏移 (25.11%) 的低划分错误.
结论:
- 拟议的深度学习模型在医院内CA期间在有组织的节奏中提供精确的QRS复杂界限.
- 准确的QRS量化可以显著提高诊断能力.
- 这种工具有可能优化治疗策略并改善重症监护机构患者的治疗结果.
