基于深度学习的ROSC预测和心电图表征在医院外心脏骤停中的ECG表型
Dong Hyun Choi1, Ki Jeong Hong1, Ki Hong Kim1
1Department of Emergency Medicine, Seoul National University Hospital, Seoul, Korea; Department of Emergency Medicine, Seoul National University College of Medicine, Seoul, Korea; Laboratory of Emergency Medical Services, Seoul National University Hospital Biomedical Research Institute, Seoul, Korea.
一个新的卷积神经网络 (CNN) 模型准确地预测自发循环的恢复 (ROSC) 并在非医院心脏骤停 (OHCA) 患者中识别新的心电图 (ECG) 现型,改善复苏结果.
科学领域:
- 人工智能在医学中的应用
- 心脏病学 心脏病学
- 紧急医疗 紧急医疗
背景情况:
- 心脏骤停中的心电图 (ECG) 信号提供了对心律和复苏成功的洞察力.
- 预测自发循环的恢复 (ROSC) 和了解医院外心脏骤停 (OHCA) 的心电图特征对于改善患者的治疗结果至关重要.
研究的目的:
- 开发一个卷积神经网络 (CNN) 模型,用于预测OHCA患者的ROSC.
- 识别与不同ROSC概率和节奏相关的新型ECG表型.
主要方法:
- 一项回顾性队列研究分析了3,452名成年OHCA患者的ECG数据.
- 开发了一种1D CNN,可以在2分钟内预测ROSC,并对心电图节奏进行分类.
- K-means集群被用来从CNN特征表示中识别ECG表型.
主要成果:
- 在预测ROSC (AUC 0.921) 和可震动节奏 (AUC 0.983) 方面,CNN模型取得了高准确性.
- 确定了五种不同的心电图表现型,每个都与不同的ROSC概率有关.
- 现象类型从高ROSC (30.4%) 的可震动节奏到低ROSC的 asystole.
结论:
- 一个基于CNN的模型准确地预测了来自OHCA心电图的ROSC和可震动的节奏.
- 确定了新的心电图表现型,为个性化的医院前复苏策略提供了潜力.
- 这种方法可以增强临床决策和改善OHCA患者的治疗结果.
更多相关视频
05:36Standardized Model of Ventricular Fibrillation and Advanced Cardiac Life Support in Swine
Published on: January 30, 2020
10:55A Piglet Perinatal Asphyxia Model to Study Cardiac Injury and Hemodynamics after Cardiac Arrest, Resuscitation, and the Return of Spontaneous Circulation
Published on: January 13, 2023
相关概念视频
Cardiopulmonary Resuscitation IV: Pharmacological Management
Cardiopulmonary Resuscitation III: AED Use
Pulse rhythm
Conversely, an irregular pulse pattern is termed dysrhythmia, stemming from disruptions in cardiac...
