通过深度学习扩展心率变量的多尺度表征,用于死亡风险预测

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 传统的心率变化 (HRV) 线性分析往往错过了对死亡风险预测至关重要的非线性缩放模式.
• 自主功能障碍,体现在HRV,是死亡风险的关键指标.

研究的目的:

• 通过结合非线性缩放模式,使用移动平均值 (DMA) 分析,通过HRV信号增强死亡风险预测.
• 将DMA与卷积神经网络 (CNN) 结合起来,以改进从HRV数据中提取特征.

主要方法:

• 确定移动平均线 (DMA) 曲线是从24小时的霍尔特心电图记录的2小时窗口计算出来的.
• 在DMA曲线上训练了一个卷积神经网络 (CNN),以预测916名幸存者和70名非幸存者的死亡风险.
• 该CNN模型的性能与传统HRV和基于临床特征的模型进行了基准测试.

主要成果:

• 在死亡风险预测方面,CNN模型实现了0.72的ROC-AUC,超过了标准模型.
• 确定了明显的DMA缩放模式,减少了短期斜率,表明非幸存者的自主适应能力受损.
• 在特定的患者群体中,减少长期缩放斜率与增加的死亡风险密切相关.

结论:

• 结合DMA分析和CNN,显著改善了基于HRV的死亡风险分层.
• 这种方法揭示了与生存结果相关的新生理缩放模式,为HRV动态提供了洞察力.
• 这些发现表明,个性化健康监测和改善临床决策的潜力.