走向基于人工智能的决策支持大规模查心房动
IEEE journal of biomedical and health informatics
|June 13, 2025
概括
深度神经网络显示了通过简化心电图查来早期检测心房动 (AF) 的前途. 这项技术的准确性高于自动化分析,可以集成到可穿戴设备中进行持续监控.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗技术 医疗技术 医学技术
背景情况:
- 心房动 (AF) 是一种常见的心律失常,与中风,心力衰竭和死亡风险增加有关.
- 早期发现AF,特别是在无症状或 Paroxysmal 阶段,对于及时干预至关重要.
- 目前的查方法可能不足以在风险人群中广泛早期检测.
研究的目的:
- 通过简化心电图 (ECG) 查,评估深度神经网络 (DNN) 在检测心房的有效性.
- 在一个大规模的人口研究中,评估DNN与自动ECG分析相比的性能.
- 探索可解释AI (XAI) 的潜力,以支持诊断,并将DNN集成到可穿戴设备中,以进行持续的AF监控.
主要方法:
- 一个手持式心电图设备 (MyDiagnostick) 在一个基于药房的试验中从7295名65岁以上的个人获得了数据.
- 一个经过验证的深度神经网络模型被应用于12导电图数据,用于特征提取和AF检测.
- 使用可解释的人工智能技术来解释模型决策并评估可穿戴技术的可行性.
主要成果:
- 深度神经网络的F1得分为86%,超过了自动心电图棒分析 (81%),用于检测心房动.
- 该研究证明了将DNN集成到可穿戴设备中的潜力,通过将模型重量减少99%,精度损失最小.
- 可解释的人工智能成功突出了暗示心房动的心电图段,帮助诊断解释.
结论:
- 深度神经网络提供了一个高度有效的工具,用于增强全民心房动查和早期诊断.
- 将DNN集成到可穿戴设备中是可行的,为持续的AF监控铺平了道路.
- 可解释的人工智能通过为医疗专业人员提供可解释的见解来提高AI模型的临床实用性.
