基于深度学习的心房的负担与住院死亡率之间的关联
Yongseop Lee1, Yujee Chang2, Jihoon Seo2
1Division of Infectious Diseases, Department of Internal Medicine and AIDS Research Institute, Yonsei University College of Medicine, Seoul, Republic of Korea.
PLOS digital health
|March 4, 2026
概括
在重症患者中,高心房 (AF) 负担与增加的住院死亡率有关. 这种动态的AF负担指标可以预测重症监护室的患者结果和临床恶化.
科学领域:
- 关键护理医学 关键护理医学
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
背景情况:
- 前庭动 (AF) 在重症患者中很常见,但其作为不良结果的动态预测因子的作用未得到充分研究.
- 现有的研究缺乏在重症监护室 (ICU) 设置中对AF负担的实时评估.
研究的目的:
- 调查高AF负担与重症患者住院死亡率之间的关联.
- 评估AF负担作为死亡率和临床恶化的动态,实时预测因素.
主要方法:
- 利用深度学习模型分析心电图 (ECG) 波形数据用于AF负载计算.
- 包括来自MIMIC-III和永分娩医院数据库的成年ICU患者.
- 定义高AF负荷为在ICU入院期间的AF波形≥7.0%;用于分析的后勤回归和机器学习.
主要成果:
- 高AF负担 (中位数22.5%) 与增加的住院死亡率 (18.1%与8.6%,P<0.001) 有显著的关联.
- AF负担独立预测的死亡率 (调整后OR,1.63;95% CI,1.36-1.95;P<0.001). 在此基础上,AF负担独立预测死亡率 (调整后OR,1.63;95% CI,1.36-1.95;P<0.001).
- 机器学习模型显示,AF负担对死亡率预测有显著的贡献 (AUC=0.86).
结论:
- 高AF负担是重症患者住院死亡的独立风险因素.
- AF负担可以作为实时临床恶化警报的动态标记.
- AF负担有助于危急病患者的风险分层,改善结果预测.
