机器学习方法用于自动定位从基板图的腹腔动脉冲动脉移除目标:在猪模型的开发和验证
Xuezhe Wang1, Adam Dennis1, Eva Melis Hesselkilde2
1Institute of Cardiovascular Science, University College London, 1-19 Torrington Pl, London WC1E 7HB, UK.
European heart journal. Digital health
|July 24, 2025
概括
机器学习准确地识别了使用基质映射的电图 (EGM) 特征的腹腔动脉冲动脉 (VT) 移除目标. 这种方法通过精确定位关键部位,提高了静脉瘤切除的成功率,从而有可能降低患者的复发率.
科学领域:
- 心血管电生理学 心血管电生理学
- 医疗人工智能 医疗人工智能
- 心肌梗塞研究研究
背景情况:
- 切除术后心室低心率 (VT) 的高复发率与识别关键切除部位的挑战有关.
- 标准基质映射提供电图 (EGM),但需要复杂的分析来准确地定位目标.
研究的目的:
- 开发和评估一种机器学习 (ML) 方法,以更好地识别静脉瘤切除的目标.
- 在慢性心肌梗塞 (MI) 猪模型中利用基质映射中的心内电图 (EGM) 特征.
主要方法:
- 对13头患有慢性心脏病的猪进行了侵入性电生理学研究,收集了56个基底图和35,068个EGM.
- 机器学习模型使用46个EGM信号特征进行训练,以自动定位VT关键站点.
- 后勤回归分析了EGM特征与VT关键站点之间的关联.
主要成果:
- 随机森林模型使用来自鼻节律图的单极信号,实现了0.821.1的AUC.
- 该模型在识别废除目标时显示了81.4%的灵敏度和71.4%的特异性.
- 绘制了36个VT电路,在关键点6毫米以内确定了潜在的废弃目标.
结论:
- 机器学习应用于EGM特征显示希望支持临床医生在静脉除目标定位.
- 这项研究首次证明了基于ML的EGM分析在改善静脉瘤切除策略方面的潜力.
- 这些发现表明开发类似的ML方法在静脉瘤患者的临床应用的途径.
