使用常规和深度神经网络分析检测扩展性心肌病中的提丁相关心电图特征

科学领域:

• 心脏病学 心脏病学
• 遗传学 遗传学是一种遗传学.
• 人工智能在医学中的应用

背景情况:

• 提丁切断变体 (TTNtvs) 是扩张性心肌病 (DCM) 的主要遗传原因.
• 对TTNtvs的常规基因测试受到资源限制的限制,阻碍了诊断和治疗.
• 确定TTNtv的预测标志物对于有效的患者分层至关重要.

研究的目的:

• 确定电心电图 (ECG) 参数,可以预测DCM患者的TTNtv.
• 将传统心电图分析的预测性能与基于心电图的深度神经网络 (DNN) 进行比较.
• 确定哪些患者最能从针对TTNtv的基因测试中受益.

主要方法:

• 一项追溯多国性研究,涉及99名具有TTNtv的DCM患者和318名基因难以捉摸的DCM患者.
• 提取传统的心电图参数,如QRS持续时间.
• 开发和培训DNN以分析ECG并提取21个可解释的因素.
• 使用C-统计数据对预测模型性能进行比较,用于变量选择的LASSO规范化.

主要成果:

• 与基因难以捉摸的DCM患者相比,TTNtv患者更年轻,更频繁的男性,并且射出率较低.
• 传统的心电图显示QRS持续时间较短,与TTNtv相关的PR间隔较长.
• 该DNN确定了与TTNtv相关的特定ECG模式,包括T波逆转.
• 传统的ECG (C-统计=0.83) 和DNN (C-统计=0.86) 两种模型都显示出TTNtv的强大预测性能.

结论:

• 传统的ECG和DNN分析显示,在DCM中识别TTNtv的可比性,高预测准确性.
• 这些基于心电图的方法可以作为有价值的临床工具来指导有针对性的基因测试.
• 有效识别TTNtv患者可以改善获得遗传诊断和个性化护理的机会.