使用基于注意力的CNN和ViT的EHR和ECG数据的联合融合,用于预测皮肤冠状动脉干预患者的不良临床终点

科学领域:

• 心血管医学和人工智能
• 医疗信息学和机器学习

背景情况:

• 对皮肤冠状动脉干预 (PCI) 后结果的准确预测对于患者管理和医疗保健质量至关重要.
• 整合多式临床数据 (生理信号,人口统计学,病史) 来预后估计,由于数据的复杂性和分析需求,提出了重大挑战.

研究的目的:

• 为了对最先进的视觉变压器 (ViT) 模型的性能进行比较分析,与一种新的多分支卷积神经网络 (CNN) 相比,用于多式联络数据分析.
• 开发和评估一个联合的融合框架,整合心电图 (ECG) 图像和电子健康记录 (EHR) 以预测关键的PCI后临床终点.

主要方法:

• 设计了一种新的联合融合架构,将CNN与卷积块注意模块 (CBAM) 结合起来.
• 该模型整合了ECG图像和表格式EHR数据,来自13064名受试者 (6871名培训,6193名测试) 使用分层采样.
• 从心电图和电子心电图学到的表征被结合在中间层,然后是完全连接的层,用于预测心力衰竭,所有原因的死亡率和中风在PCI后6个月.

主要成果:

• 拟议的CNN + CBAM融合模型实现了最高的接收器操作特征曲线 (AUROC) 下面的区域得分:心力衰竭为0.849,全因死亡率为0.913,中风为0.794.
• 该模型表现出卓越的预测能力,特别是在心力衰竭预测方面 (DeLong的测试p值=0.043),表现优于基线EHR模型和ViT.
• 通过使用基于注意力的CNN模型的直接ECG图像分析来实现最先进的性能,而不依赖实验室或生命体征数据.

结论:

• 拟议的多式联络整合策略,利用具有注意力机制的CNN,显著提高了预测PCI后临床结果的准确性.
• 这种方法保留了ECG的关键地方空间特征,并捕捉了半全球依赖性,超过了ViT基线,并使数据驱动的临床决策支持成为可能.
• 这些发现表明了开发更准确的多式联络模型的途径,以改善患者管理,治疗量身定制和PCI后的整体临床结果.