通过对心电图衍生的心脏微动力学的深度学习分析来预测结果的非侵入性血红蛋白估计

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 贫血是一个重大的全球健康挑战,特别是在资源有限的环境中.
• 传统的血红蛋白 (Hb) 检测方法具有侵入性和成本.
• 开发非侵入性贫血检测方法对于广泛的查至关重要.

研究的目的:

• 开发一种深度学习模型 (DLM),利用心电图 (ECG) 数据来检测贫血 (ECG-Hb DLM).
• 为了评估ECG-Hb DLM对贫血的诊断性能.
• 评估ECG-Hb DLM与所有原因死亡率和新发性心力衰竭有关的预后价值.

主要方法:

• 来自两家医院的388,166个ECG和Hb水平进行了回顾性分析.
• 在大型数据集上训练DLM,并在独立的内部和外部测试集上进行验证.
• 贫血被定义为中度 (Hb ≤ 10 g/dL) 或严重 (Hb ≤ 8 g/dL);使用ROC分析和Cox回归来评估结果.

主要成果:

• ECG-Hb DLM显示了中度至重度贫血的强烈诊断性能,AUC为0.8545 (内部) 和0.8243 (外部).
• 对于检测严重贫血的表现更好 (AUC高达0.9038).
• 严重低的ECG-Hb水平与死亡率 (HR: 1.71) 和心力衰竭 (HR: 2.47) 的风险显著增加有关.

结论:

• ECG-Hb DLM显示出作为一种非侵入性查贫血的工具的巨大潜力.
• 这种模型可以帮助识别心血管并发症和死亡风险增加的个体.
• 在资源有限的环境中,ECG-Hb DLM为贫血查提供了有价值,具有成本效益的解决方案.