心血管

JACC:可通过心动图识别心脏瓣膜病的深度学习模型

作者:佚名 来源:MedSci梅斯 日期:2022-08-12
导读

          心脏瓣膜病是心血管疾病发病率和死亡率的一个重要因素,目前仍有大量患者未得到充分诊断。对心电图 (ECG) 进行深度学习分析可能有助于发现主动脉瓣狭窄(AS)、主动脉瓣反流 (AR) 和二尖瓣反流 (MR)。 该研究目的是开发ECG深度学习算法以识别单发和多发的中度或重度AS、AR和MR。

关键字:  心脏瓣膜病 

        心脏瓣膜病是心血管疾病发病率和死亡率的一个重要因素,目前仍有大量患者未得到充分诊断。对心电图 (ECG) 进行深度学习分析可能有助于发现主动脉瓣狭窄(AS)、主动脉瓣反流 (AR) 和二尖瓣反流 (MR)。

        该研究目的是开发ECG深度学习算法以识别单发和多发的中度或重度AS、AR和MR。

        共纳入了于2005年-2021年期间进行心彩超检查前1年内进行过心动图检查的77163位患者,随机分至训练集(n=43165)、验证集(n=12950)和检验集(n=21048;7.8%的患者有AS、AR或MR)。采用受试者工作特征下面积 (AU-ROC) 和精确召回曲线评估模型表现。并在一个独立的数据集上进行外部验证。利用深度学习模型模拟筛选效果,利用不同疾病流行程度对测试精度进行建模。

        该模型在独立验证队列中的表现

        该深度学习算法模型的精确度如下:AS (AU-ROC: 0.88),AR (AU-ROC: 0.77),MR (AUROC: 0.83) ,存在AS、AR或MR (AU-ROC: 0.84; 灵敏度 78%, 特异性 73%),在外部验证队列中有相似的精确度。在筛选程序建模中,试验特征依赖于潜在患病率和选定的敏感性水平。患病率为7.8%时,阳性预测值为20%,阴性预测值为97.6%。

        总之,在该多中心队列研究中,通过对心电图进行深度学习分析,该模型可以准确地检测出AS、AR和MR,可以作为开发心脏瓣膜病筛查方案的基础。

分享:

评论

我要跟帖
发表
回复 小鸭梨
发表

copyright©医学论坛网 版权所有,未经许可不得复制、转载或镜像

京ICP证120392号  京公网安备110105007198  京ICP备10215607号-1  (京)网药械信息备字(2022)第00160号
//站内统计 //百度统计 //谷歌统计 //站长统计
*我要反馈: 姓    名: 邮    箱: