人工智能用于预测中风病房中心房动:一项追溯导出验证队列研究

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 动性心房动 (AF) 是一个重要的中风风险因素,通常在常规临床实践中未被检测到.
• 有效的风险分层对于识别中风患者最受益于加强AF查至关重要.
• 现有的人工智能 (AI) 模型用于从阴道节律中的心电图中预测AF,其实施有限.

研究的目的:

• 开发和测试人工智能模型,以使用持续心电图监测 (CEM) 数据预测中风患者的AF.
• 确定最有价值的输入特征和有效的模型设计用于AF预测.
• 评估开发模型的可解释性和现实世界的性能.

主要方法:

• 开发并测试了AF预测模型,使用中风患者在入院后的前72小时的CEM记录.
• 利用多个临床输入功能,并比较不同的AI模型和数据输入.
• 通过使用MonDAFIS研究中的1小时CEM数据对最终简化模型进行外部验证.

主要成果:

• 贝叶斯融合模型实现了0.89的ROC-AUC,用于预测新检测到的AF.
• 心率变化 (HRV) 被确定为主要预测特征.
• 使用年龄和1小时HRV的简化基于树的组合模型实现了0.88的ROC-AUC,并在外部验证中超过了AS5F得分.

结论:

• HRV是预测中风患者的AF最有信息的变量.
• 一个使用1小时CEM数据和年龄的计算性廉价模型可以预测AF长达7天.
• 该模型促进了基于风险的心脏监测,提高了AF查效率和二次中风预防.