机器学习计算机辅助心电图分析预测心肌纤维化在患有多变性心肌病的患者
Dafne Viliani1, Alberto Cecconi2, Beatriz López-Melgar2
1Cardiology Department, Hospital Universitario de La Princesa, Universidad Autónoma de Madrid, IIS-IP, Spain; Cardiology Department, Ospedale Santa Chiara, Trento, Italy.
Journal of electrocardiology
|February 16, 2025
概括
在高性心肌病 (HCM) 患者的心电图 (ECG) 机器学习分析中,确定QRS持续时间是纤维化的关键预测因素. 这种计算机辅助的心电图方法有助于在心磁共振 (CMR) 无法使用时进行风险分层.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 增高性心肌病 (HCM) 与心室节律失常和心脏突然死亡有关.
- 宏观纤维化,通过晚期加多增强 (LGE) 在心磁共振 (CMR) 上识别,是HCM中不良结果的标志物.
- 计算机辅助心电图 (ECG) 分析提供了一种非侵入性风险评估方法.
研究的目的:
- 将机器学习应用于HCM患者的ECG数据.
- 为了确定宏观纤维化 (LGE) 的心电图预测因素.
- 评估心电图分析对HCM风险分层的有用性.
主要方法:
- 136名HCM患者接受了ECG和CMR与LGE评估.
- 使用专用软件量化了468个形态心电图变量.
- 机器学习 (多变量回归,随机森林) 用于分析心电图数据和预测LGE.
主要成果:
- 在60.3%的患者中观察到宏观纤维化 (LGE).
- 一个预测模型确定了五个心电图参数,QRS持续时间是纤维化最强的预测因素.
- 随机森林分析证实QRS持续时间作为主要预测因素.
结论:
- 计算机辅助的心电图分析可以识别HCM患者的纤维化预测因子.
- 在这个人群中,QRS持续时间是LGE最强的ECG预测器.
- 电脑心电图分析可以帮助识别高风险的HCM患者,特别是当CMR访问有限时.


