基于心电图的深度学习算法的开发和验证,用于排除冠状动脉疾病,而没有心肌缺血的证据

科学领域:

• 心脏病学
• 人工智能
• 医疗诊断

背景情况:

• 目前的冠状动脉疾病 (CAD) 准则使用预测概率 (PTP) 值 (≤5%用于排除,≥15%用于排除) 来管理患者.
• 电心电图 (ECG) 是一种常见的诊断工具,但在没有缺血迹象的情况下排除CAD的实用性是一个需要进步的领域.

研究的目的:

• 开发和验证一种深度学习算法,用于排除冠状动脉疾病 (CAD).
• 使用心电图 (ECG) 评估心肌缺血的患者的算法的性能.
• 建立一个基于算法的决策协议,用于CAD风险分层.

主要方法:

• 一个深度学习算法被训练并在Fuwai医院的90%和10%的心电图数据上进行内部验证.
• 该算法旨在使用12导心电图检测CAD (≥70%狭窄).
• 使用云南福威医院的数据进行了外部验证,以评估决策协议的性能,目标是95%的负预测值 (NPV).

主要成果:

• 内部验证显示AUC为0. 81. 排斥和排斥组的CAD患病率分别为5%和23%.
• 外部验证显示排斥率为0%,排斥率为15%.
• 基于算法的方案在患者分层方面实现了指导方针推的性能.

结论:

• 开发的深度学习算法使用心电图有效检测心肌缺血,即使没有心肌缺血的迹象.
• 一个基于算法的决策协议可以成功指导进一步的患者检查的排除或排除过程.
• 这种人工智能方法有望改善疑似冠状动脉疾病的诊断途径.