基于机器学习的预测模型,用于心房失常症在通过透气管心房隔膜缺陷关闭后的心房失常

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 耳前隔膜缺陷 (ASDs) 通常通过穿皮关闭来治疗.
• 尽管成功关闭了ASD,但心房节律失常仍可能发生.
• 术后心房律不整的危险因素还没有得到很好的定义.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测通过导管ASD关闭后的心房律乱.
• 在接受ASD关闭的患者中确定心房律乱的关键预测因子.

主要方法:

• 对148名患有二次型自闭症的成年患者进行了回顾性分析,这些患者接受过导管关闭.
• 利用带有转移学习的深度神经网络从程序前心电图中提取特征.
• 综合生存模型将心电图衍生的特征与临床,人口,生化和血液动力学数据相结合.

主要成果:

• ML模型表现出强大的预测性能 (AUC 0.823).
• 在148名患者中,28名患者 (18.9%) 在随访期间发展出心房律乱.
• 来自心电图的特征对该模型的预测精度做出了重大贡献.

结论:

• 一个基于ML的新型风险模型被开发出来,用于预测心房律不整的透气管后ASD关闭.
• 该模型在临床实践中显示出风险分层的前景.
• 建议进行外部验证以进一步改进和实施.