机器学习 早期右心室激活部位的定位使用QRS整体特征

科学领域:

• 电子生理学 电子生理学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确的非侵入性定位右心室 (RV) 心律失常的起源是电生理学中的一个重大挑战.
• 这项研究探讨了使用带有12导电心电图QRS积分的机器学习 (ML) 模型来识别早期RV激活站点的使用.

研究的目的:

• 调查基于QRS积分的ML模型用于非侵入性定位VR心律失常起源的可行性.
• 评估不同支向量回归 (SVR) 模型在确定RV步调站点方面的准确性.

主要方法:

• 从CT扫描创建了一个通用的RV网.
• 从心电图导线计算QRS积分 (∫QRS),并用作SVR模型 (RBF和线性内核) 的输入.
• 使用引导式交叉验证识别了最佳的QRS集成窗口,并通过欧几里德距离,RMSE和R2评估了本地化准确性.

主要成果:

• 使用初始60毫秒QRS间隔的RBF SVR模型,实现了最低的平均定位误差 (开发组中的9.5毫米,测试组中的14.4毫米).
• 线性SVR在QRS持续时间中显示出更稳定的性能,但平均误差更高.
• 验证队列在内核之间显示了类似的本地化错误,没有统计学上显著的差异.

结论:

• 基于QRS整体的SVR模型允许使用表面ECG在毫米尺度上定位RV节奏点.
• 非线性模型在复杂的区域提供更高的准确性,而线性模型提供了强度.
• 这些发现突显了ECG驱动的ML的临床潜力,用于VR心律失常局部化,并补充了传统的映射.