在患有第一级 AV 阻塞的患者中,高度 AV 阻塞的 10 年风险预测
Dong Won Kim1,2, HeeYeon Kwon1, Je-Wook Park1
1Department of Biomedical Systems Informatics, Yonsei University College of Medicine, Seoul, Republic of Korea.
一级心房静脉阻塞 (AV) 可能预测到更高程度的AV阻塞的进展. 使用心电图参数的机器学习模型可以准确预测这种风险,帮助临床决策.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 传统上被认为是良性的一级心房静脉阻塞 (AV) 越来越多地被认为是导致更高程度心房静脉阻塞的潜在危险因素.
- 早期识别患有AV阻塞进展风险的个体对于及时的临床干预至关重要.
研究的目的:
- 开发和外部验证一种机器学习模型,用于预测一级AV阻断向更高程度的进展.
- 为了确定电心电图 (ECG) 衍生的关键参数和预测AV阻塞进展的临床因素.
主要方法:
- 一项回顾性队列研究,利用来自两家医院的12心电图数据进行模型开发和外部验证.
- 使用一个随机森林机器学习算法,对六个心电图参数 (RR间隔,P持续时间,PR段,PR间隔,QRS持续时间,QT间隔) 以及患者年龄和性别进行训练.
- 用SHAP (夏普利增量解释) 分析来解释模型并确定重要的预测因素.
主要成果:
- 机器学习模型表现出强大的预测性能,在内部验证中实现了接收器操作特征曲线 (AUROC) 下的面积为0.823,在外部验证中达到0.808.
- 通过SHAP分析确定的关键预测因素包括PR段持续时间,QRS持续时间和患者年龄.
- 该模型的性能进一步得到了AUPRC值0.719 (内部) 和0.894 (外部) 的支持.
结论:
- 一个经过验证的机器学习模型可以有效地使用易于获得的心电图参数和基本临床数据来分层 AV 阻塞进展的风险.
- 这种预测工具可以帮助临床医生为一级AV阻塞患者做出明智的决定.
- 这些发现突出了人工智能驱动的对心电图数据的分析,用于早期疾病检测和心脏病风险评估的潜力.
更多相关视频
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
相关概念视频
Dysrhythmias IV: Characteristics of Bradyarrhythmias
Disturbances in Heart Rhythm
Arrhythmias are categorized by their speed, rhythm, and origin. A slow heart...
Antiarrhythmic Drugs: Class I Agents as Sodium Channel Blockers
Class 1A Antiarrhythmic Drugs: These drugs work by moderately blocking sodium channels,...
Heart Failure Drugs: β-Blockers
ECG Interpretation of Arrhythmias II: Atrial, Junctional and Ventricular Arrhythmias
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
