使用机器学习模型精确估计射频剥离中的损伤指标

科学领域:

• 心脏电生理学 心脏电生理学
• 医疗器械技术 医疗器械技术
• 人工智能在医学中的应用

背景情况:

• 在射频导管切除 (RFCA) 过程中使用诸如切除能量 (AE),接触力 (CF) 和阻抗变化等参数估计病变的常规方法通常会提供低于最佳的结果.
• 准确的损伤评估对于有效和安全的RFCA程序至关重要,影响患者的结果.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,以提高RFCA中损伤指标估计的准确性.
• 将ML模型的预测性能与传统的RFCA参数进行比较.

主要方法:

• 切除的腹腔心肌样本经历了RFCA,能量,接触力和持续时间各不相同.
• 分析了常规参数 (总AE,力时积分,阻抗下降) 和损伤指标 (深度,长度,体积,表面积) 之间的相关性.
• 在75%的数据上训练了一种 eXtreme Gradient Boosting (XGBoost) ML模型,并在剩余的25%数据上进行验证,以预测损伤指标.

主要成果:

• 总AE与病变深度 (r2=0.63),长度 (r2=0.50) 和体积 (r2=0.69) 的相关性最强.
• ML模型在预测损伤指标方面表现出高准确度,达到深度为0.87,长度为0.82,体积为0.86,表面积为0.69的r2值.
• 确定了总AE和剥离持续时间作为关键预测指标,阻抗下降对表面积和长度预测作出了重大贡献.

结论:

• 与传统方法相比,集成多个RFCA参数的机器学习模型显著提高了损伤指标的预测.
• 开发的ML模型为损伤估计提供了更高的准确性,这可能导致在RFCA期间加强程序指导和增加患者安全.