对于心房动负担的基于光电磁缩的机器学习方法:算法开发和验证
Hong Wang1,2, Binbin Liu1,2, Hui Zhang1
1Department of Pulmonary Vessel and Thrombotic Disease, Sixth Medical Center, Chinese PLA General Hospital, 6 Fucheng Road, Haidian District, Beijing, 100048, China, +86-10-66957703.
JMIR cardio
|November 10, 2025
概括
一个智能手表的光透视图 (PPG) 模型准确地跟踪心房 (AF) 负担,显示高一致性与霍尔特监测AF持续时间和可变性. 这为AF进展动态提供了新的见解.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 数字健康数字健康
背景情况:
- 前庭动 (AF) 负担是诸如中风和心力衰竭等心血管事件的关键指标.
- 摄影电磁图 (PPG) 技术提供了一种非侵入性的方法来检测AF负担.
研究的目的:
- 开发和验证使用智能手表衍生PPG信号的AF负载模型.
- 评估模型追踪AF进展的能力.
主要方法:
- 一项前性试点研究,涉及145名患有阳性AF的患者.
- 同时监测使用智能手表PPG和24小时霍尔特心电图 (黄金标准).
- 定义了五个PPG衍生的AF负担指标,并使用灵敏度,特异性,准确性,精度和F1评分来评估算法性能.
主要成果:
- 与Holter监测相比,基于PPG的AF负担模型实现了高精度 (93.3%) 和F1得分 (90.5%).
- 在PPG衍生的AF发作持续时间 (rs=0.8788) 和可变性 (rs=0.7876) 和黄金标准之间观察到强烈的相关性.
- 该模型显示了显著的歧视力 (AUC=89.5%).
结论:
- 基于PPG的AF负载模型与24小时的霍尔特监测具有很高的一致性.
- 这项技术为非侵入性监测AF进展提供了一个有前途的工具.
- 为了解AF动态和管理提供了新的视角.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
2.0K
