临床显著的肺外静脉心房动源的统计和行为:在持久性心房动中,机器学习增强的电图流映射
Peter Ruppersberg1, Steven Castellano1, Philip Haeusser1
1Cortex, Inc. Menlo Park, CA, United States.
Frontiers in cardiovascular medicine
|September 11, 2025
概括
电图流 (EGF) 地图使用机器学习来识别心房动 (AF) 的关键来源. 优化EGF模型通过针对这些AF来源进行消除,提高了程序的成功.
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
- 计算生物学 计算生物学
背景情况:
- 电图流 (EGF) 映射可视化了心房动 (AF) 中的心房激活波线.
- 它的临床疗效已经确立,但潜在的机器学习 (ML) 策略仍然未被描述.
- 了解ML方法对于完善诊断算法至关重要.
研究的目的:
- 详细介绍了在EGF模型背后的ML策略,用于AF源识别.
- 为了证明ML驱动的超参数优化如何提高临床有效性.
- 分析已识别的AF源的特征及其对周期长度可变性的影响.
主要方法:
- 在AF患者中使用64电极篮导管进行单极电图记录.
- 开发了一种EGF模型,使用199个病人的回顾性数据集进行训练,以确定重要的AF来源.
- 使用ML优化了24个模型超参数,并在潜在患者中验证了该方法.
主要成果:
- 在EGF模型中确定了预测AF复发的"重大来源",在FLOW-AF试验中得到了验证.
- 消去后持续的重要来源与更高的复发率相关.
- 活跃的显著源减少了AF周期长度的空间变异性超过50%.
结论:
- 基于临床结果的ML优化可靠地检测和准关键的AF源.
- 消除已识别的来源可以提高程序的成功率.
- 这突显了ML在增强基于算法的医学诊断中的实用性.
更多相关视频
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
2.1K
10:17Real-Time Cardiac Mapping with a Noninvasive Imageless Electrocardiographic Imaging System
Published on: April 11, 2025
1.6K
