一个基于深度学习的多模式融合模型,用于持续性心房患者的复发预测

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 心房动 (AF) 除的长期成功是具有挑战性的,特别是对于持久性AF (PeAF) 患者.
• 预测PeAF中复发风险是复杂的,目前的临床评估因无法充分利用心电图 (ECG) 数据而受到限制.
• 将临床特征与心电图信号相结合,为提高预测准确性和个性化患者管理提供了一个有希望的方法.

研究的目的:

• 开发和评估一种深度学习模型,用于预测PeAF患者的稳定后复发.
• 研究结合手术前AF节奏12导电心电图信号与临床数据的疗效,以改善风险预测.
• 为了增强个性化临床决策,为PeAF患者进行射频导管切除.

主要方法:

• 在2016年至2019年期间接受射频导管切除的77名PeAF患者的回顾性分析.
• 开发使用残余块网络的多式融合深度学习框架.
• 整合手术前AF节奏12导电心电图,临床分数和患者基线特征,并进行5倍交叉验证以进行培训和测试.

主要成果:

• 聚变模型在预测复发时达到0.74的平均AUC (最大为0.82).
• 该模型显著优于传统的临床评分系统和基于单模电图的单模模型.
• 证明了强度和稳定性,低偏差为0.08,即使样本大小小.

结论:

• 一种结合AF节奏ECG信号和临床特征的新型深度学习模型有效地预测了PeAF患者在切除后的复发风险.
• 这种方法显著提高了预测性能,支持个性化的临床决策.
• 该模型显示了在管理PeAF患者中临床应用的巨大潜力.