NPJ Digit Med:基于心电图的机器学习算法的开发和验证,用于人群层面的心血管诊断

2024-05-20 刘少飞 MedSci原创 发表于上海

本研究利用人工智能技术开发了心电图预测模型,能有效识别和预测多种常见心血管疾病,为提升早期诊断和治疗水平提供了新的可能性。

人工智能辅助的心电图(ECG)算法在心血管(CV)疾病的早期检测中日益重要,这些算法不仅能识别传统上与常规心电图指标或专家解读相关的疾病,还能检测那些难以通过常规方法早期发现的心血管疾病。为了在人群水平上实现对15种常见心血管疾病的同时预测,本研究开发并验证了相应的模型。

研究方法:

我们进行了一项大规模的回顾性研究,研究数据来自于2007年2月至2020年4月期间,在加拿大阿尔伯塔省的84家急诊科或医院中进行的1,605,268份12导联心电图(ECG),涉及244,077名成年患者。研究重点考虑了通过国际疾病分类第十版(ICD-10)代码识别的15种心血管疾病:房颤(AF)、室上性心动过速(SVT)、室性心动过速(VT)、心脏骤停(CA)、房室传导阻滞(AVB)、不稳定型心绞痛(UA)、ST段抬高心肌梗死(STEMI)、非ST段抬高型心肌梗死(NSTEMI)、肺栓塞(PE)、肥厚型心肌病(HCM)、主动脉瓣狭窄(AS)、二尖瓣脱垂(MVP)、二尖瓣狭窄(MS)、肺动脉高压(PHTN)和心力衰竭(HF)。

为了实现高效准确的预测,我们采用了基于ResNet的深度学习(DL)模型来处理心电图波形,并使用极端梯度提升(XGB)算法来处理心电图测量数据。DL模型利用了ECG的时间序列数据进行深度特征提取,而XGB模型则基于从ECG中提取的具体测量值进行预测。两种模型在不同的分析维度上提供了互补的预测能力。

结果:

在97,631名保留测试患者的首份心电图上进行评估时,深度学习模型展示了优异的性能。具体而言,DL模型对三种心血管疾病(PE、SVT、UA)的受试者工作特征曲线下面积(AUROC)低于80%,对八种心血管疾病(CA、NSTEMI、VT、MVP、PHTN、AS、AF、HF)的AUROC在80%到90%之间,而对四种心血管疾病(AVB、HCM、MS、STEMI)的AUROC高于90%。相较而言,深度学习模型的AUROC平均比XGB模型高出约5%。

在心脏骤停(CA)、非ST段抬高型心肌梗死(NSTEMI)、室性心动过速(VT)、二尖瓣脱垂(MVP)、肺动脉高压(PHTN)、主动脉瓣狭窄(AS)、房颤(AF)、心力衰竭(HF)等疾病的检测中,DL模型的表现尤其突出。这些结果表明,基于ECG的DL预测模型在诊断常见心血管疾病方面具有良好至优秀的预测性能,并且在许多情况下优于基于传统测量值的XGB模型。

Fig. 2

讨论:

这些研究结果具有重要的临床意义。首先,DL模型在识别多种心血管疾病方面的高效性和准确性,表明人工智能可以显著提升心血管疾病的早期检测能力,特别是在急诊科和医院等高压力环境中,医生能够借助这些智能工具更迅速地做出诊断,进而改善患者的预后。

其次,虽然DL模型在某些疾病(如PE、SVT、UA)上的预测性能略低于其他疾病,但其整体表现仍然优于传统模型。这提示未来的研究可以进一步优化DL算法,特别是在这些相对难以预测的疾病上,提升模型的全面性能。

最后,研究结果还显示,尽管XGB模型在一些情况下表现良好,但深度学习模型在综合性能上具有明显优势。这表明,在大规模ECG数据的处理和分析中,深度学习方法可能更为适用。

结论:

本研究开发并验证了基于人工智能的ECG预测模型,这些模型在检测和诊断常见心血管疾病方面表现出良好至优秀的预测性能。基于这些发现,未来的临床实践中可以更广泛地应用人工智能辅助工具,以提高心血管疾病的早期检测和管理水平,从而改善患者的治疗效果和生活质量。这一研究为推动心血管疾病诊断技术的进步奠定了坚实基础,展望未来,人工智能将在医疗领域发挥越来越重要的作用。

参考文献:

Kalmady SV, Salimi A, Sun W, Sepehrvand N, Nademi Y, Bainey K, Ezekowitz J, Hindle A, McAlister F, Greiner R, Sandhu R, Kaul P. Development and validation of machine learning algorithms based on electrocardiograms for cardiovascular diagnoses at the population level. NPJ Digit Med. 2024 May 18;7(1):133. doi: 10.1038/s41746-024-01130-8. PMID: 38762623.

相关资料下载:
[AttachmentFileName(sort=100, fileName=NPJ Digit Med:基于心电图的机器学习算法的开发和验证,用于人群层面的心血管诊断)] GetArticleByIdResponse(id=2b45826616f8, projectId=1, sourceId=null, title=NPJ Digit Med:基于心电图的机器学习算法的开发和验证,用于人群层面的心血管诊断, articleFrom=MedSci原创, journalId=26898, copyright=原创, creationTypeList=[1], summary=本研究利用人工智能技术开发了心电图预测模型,能有效识别和预测多种常见心血管疾病,为提升早期诊断和治疗水平提供了新的可能性。, cover=https://img.medsci.cn/20240518/1716045082880_5579292.png, authorId=0, author=刘少飞, originalUrl=, linkOutUrl=, content=<p>人工智能辅助的心电图(ECG)算法在心<a href="https://www.medsci.cn/guideline/list.do?q=%E8%A1%80%E7%AE%A1">血管</a>(CV)疾病的早期检测中日益重要,这些算法不仅能识别传统上与常规心电图指标或专家<a href="https://www.medsci.cn/guideline/list.do?q=%E8%A7%A3%E8%AF%BB">解读</a>相关的疾病,还能检测那些难以通过常规方法早期发现的心<a href="https://www.medsci.cn/topic/show?id=bb6f89e145a">血管疾病</a>。为了在人群水平上实现对15种常见心血管疾病的同时预测,本研究开发并验证了相应的模型。</p> <p><img style="display: block; margin-left: auto; margin-right: auto;" src="https://img.medsci.cn/20240519/1716110827900_1976717.png" /></p> <p>研究方法:</p> <p>我们进行了一项大规模的回顾性研究,研究数据来自于2007年2月至2020年4月期间,在加拿大阿尔伯塔省的84家急诊科或医院中进行的1,605,268份12导联心电图(ECG),涉及244,077名成年患者。研究重点考虑了通过国际疾病分类第十版(ICD-10)代码识别的15种心血管疾病:房颤(AF)、室上性心动过速(SVT)、室性心动过速(VT)、心脏骤停(CA)、房室传导阻滞(AVB)、不稳定型<a href="https://www.medsci.cn/topic/show?id=d8955124134">心绞痛</a>(UA)、<a href="https://www.medsci.cn/topic/show?id=936c16863b5">ST段抬高</a>型<a href="https://www.medsci.cn/search?q=%E5%BF%83%E8%82%8C%E6%A2%97%E6%AD%BB">心肌梗死</a>(STEMI)、非ST段抬高型心肌梗死(NSTEMI)、肺栓塞(PE)、肥厚型<a href="https://www.medsci.cn/topic/show?id=c65251303fc">心肌病</a>(HCM)、<a href="https://www.medsci.cn/topic/show?id=04812314540">主动脉</a>瓣狭窄(AS)、二尖瓣脱垂(MVP)、<a href="https://www.medsci.cn/topic/show?id=cb0223906b8">二尖瓣狭窄</a>(MS)、肺动脉高压(PHTN)和<a href="https://www.medsci.cn/topic/show?id=072c5088466">心力衰竭</a>(HF)。</p> <p>为了实现高效准确的预测,我们采用了基于ResNet的深度学习(DL)模型来处理心电图波形,并使用极端梯度提升(XGB)算法来处理心电图测量数据。DL模型利用了ECG的时间序列数据进行深度特征提取,而XGB模型则基于从ECG中提取的具体测量值进行预测。两种模型在不同的分析维度上提供了互补的预测能力。</p> <p>结果:</p> <p>在97,631名保留测试患者的首份心电图上进行评估时,深度学习模型展示了优异的性能。具体而言,DL模型对三种心血管疾病(PE、SVT、UA)的受试者工作特征曲线下面积(AUROC)低于80%,对八种心血管疾病(CA、NSTEMI、VT、MVP、PHTN、AS、AF、HF)的AUROC在80%到90%之间,而对四种心血管疾病(AVB、HCM、MS、STEMI)的AUROC高于90%。相较而言,深度学习模型的AUROC平均比XGB模型高出约5%。</p> <p>在心脏骤停(CA)、非ST段抬高型心肌梗死(NSTEMI)、室性心动过速(VT)、二尖瓣脱垂(MVP)、肺动脉高压(PHTN)、<a href="https://www.medsci.cn/topic/show?id=1dd6231822d">主动脉瓣</a>狭窄(AS)、房颤(AF)、心力衰竭(HF)等疾病的检测中,DL模型的表现尤其突出。这些结果表明,基于ECG的DL预测模型在<a href="https://www.medsci.cn/guideline/list.do?q=%E8%AF%8A%E6%96%AD">诊断</a>常见心血管疾病方面具有良好至优秀的预测性能,并且在许多情况下优于基于传统测量值的XGB模型。</p> <p><img src="https://img.medsci.cn/images/20240511/6df0e6c04d7648e2b7ca69c31cc3fbe6-qNSDl5Q9W9Lf.jpg" alt="Fig. 2" /></p> <p>讨论:</p> <p>这些研究结果具有重要的临床意义。首先,DL模型在识别多种心血管疾病方面的高效性和准确性,表明人工智能可以显著提升心血管疾病的早期检测能力,特别是在急诊科和医院等高压力环境中,医生能够借助这些智能工具更迅速地做出诊断,进而改善患者的预后。</p> <p>其次,虽然DL模型在某些疾病(如PE、SVT、UA)上的预测性能略低于其他疾病,但其整体表现仍然优于传统模型。这提示未来的研究可以进一步优化DL算法,特别是在这些相对难以预测的疾病上,提升模型的全面性能。</p> <p>最后,研究结果还显示,尽管XGB模型在一些情况下表现良好,但深度学习模型在综合性能上具有明显优势。这表明,在大规模ECG数据的处理和分析中,深度学习方法可能更为适用。</p> <p>结论:</p> <p>本研究开发并验证了基于人工智能的ECG预测模型,这些模型在检测和诊断常见心血管疾病方面表现出良好至优秀的预测性能。基于这些发现,未来的临床实践中可以更广泛地应用人工智能辅助工具,以提高心血管疾病的早期检测和<a href="https://www.medsci.cn/guideline/list.do?q=%E7%AE%A1%E7%90%86">管理</a>水平,从而改善患者的治疗效果和<a href="https://m.medsci.cn/scale/show.do?id=4c862426ef">生活质量</a>。这一研究为推动心血管疾病诊断技术的进步奠定了坚实基础,展望未来,人工智能将在医疗领域发挥越来越重要的作用。</p> <p><span style="color: #808080; font-size: 12px;">参考文献:</span></p> <p><span style="color: #808080; font-size: 12px;">Kalmady SV, Salimi A, Sun W, Sepehrvand N, Nademi Y, Bainey K, Ezekowitz J, Hindle A, McAlister F, Greiner R, Sandhu R, Kaul P. Development and validation of machine learning algorithms based on electrocardiograms for cardiovascular diagnoses at the population level. NPJ Digit Med. 2024 May 18;7(1):133. doi:&nbsp;<a style="color: #808080;" href="https://doi.org/10.1038/s41746-024-01130-8">10.1038/s41746-024-01130-8</a>. PMID: 38762623.</span></p>, belongTo=, tagList=[TagDto(tagId=398, tagName=心电图), TagDto(tagId=490864, tagName=心血管诊断)], categoryList=[CategoryDto(categoryId=2, categoryName=心血管, tenant=100), CategoryDto(categoryId=72, categoryName=人工智能, tenant=100), CategoryDto(categoryId=84, categoryName=研究进展, tenant=100), CategoryDto(categoryId=20656, categoryName=梅斯医学, tenant=100)], articleKeywordId=0, articleKeyword=, articleKeywordNum=6, guiderKeywordId=0, guiderKeyword=, guiderKeywordNum=6, opened=1, paymentType=1, paymentAmount=0, recommend=0, recommendEndTime=null, sticky=0, stickyEndTime=null, allHits=1618, appHits=7, showAppHits=0, pcHits=44, showPcHits=1611, likes=0, shares=0, comments=0, approvalStatus=1, publishedTime=Mon May 20 09:53:00 CST 2024, publishedTimeString=2024-05-20, pcVisible=1, appVisible=1, editorId=6529998, editor=心血管新前沿, waterMark=0, formatted=0, deleted=0, version=3, createdBy=1bd41976717, createdName=SophylioJerry, createdTime=Sun May 19 17:33:50 CST 2024, updatedBy=92910, updatedName=rayms, updatedTime=Mon May 20 09:54:57 CST 2024, ipAttribution=上海, attachmentFileNameList=[AttachmentFileName(sort=100, fileName=NPJ Digit Med:基于心电图的机器学习算法的开发和验证,用于人群层面的心血管诊断)], guideDownload=1)
NPJ Digit Med:基于心电图的机器学习算法的开发和验证,用于人群层面的心血管诊断
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2205616, encodeId=c1062205616ab, content=<a href='/topic/show?id=7e215120544' target=_blank style='color:#2F92EE;'>#心电图#</a> <a href='/topic/show?id=d3f011465585' target=_blank style='color:#2F92EE;'>#心血管诊断#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=15, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=51205, encryptionId=7e215120544, topicName=心电图), TopicDto(id=114655, encryptionId=d3f011465585, topicName=心血管诊断)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Mon May 20 09:54:57 CST 2024, time=2024-05-20, status=1, ipAttribution=上海)]

相关资讯

心电图评分预测房间隔缺损患儿肺动脉高压

研究目标是开发一个准确的评分系统,使用心电图参数来预测印度尼西亚 ASD 儿童的 PH 超声心动图和/或心导管检查。

JAMA子刊:俯卧位心电图中容易被忽视的表现

仰卧位心电图中的STEMI与俯卧位心电图中的ST段变化具有不同的表现形式。因此,俯卧位心电图不是急性心肌梗死的可靠诊断工具,尤其是前壁STEMI。

一个方法,让你牢记 14 种心律失常心电图!

笔者借用「老公和老婆的关系」分享给大家一种趣味记忆心律失常的方法,希望能够帮助各位初学者(用这个理论给患者讲解,也是通俗易懂的),当然,记忆了之后,从机制理解、应用才是王道!

“心室内团块”的变迁!

患者女性,65岁,瘦老太,发热,咳嗽半月,加重伴胸痛5天,意识模糊12小时,于2017-01-07凌晨急诊入院。

Ⅱ、Ⅲ、aVF导联ST段抬高,你该处理哪一根血管?

患者男性,58岁。主诉:持续性胸痛2小时余。

没有典型心电图表现,上腹痛伴头痛竟是急性心梗

患者男性,61岁,因持续性上腹部疼痛伴头痛10小时于2023-08-07上午就诊。

识别致命的心电图!

请牢记这些致命的心电图,临床医生必备!

清晰!从心肌缺血进展到心肌梗死的心电图改变

本期介绍由心肌缺血进展到心肌梗死的心电图改变。

JAMA Internal Medicine:长期腹泻后的虚弱和晕厥的心电图

该病例与经典的BRASH综合征不同,尽管没有休克,但反复发生晕厥发作,这些晕厥与心动过缓和低血容量血症有关。

一例Wellens综合征诊治经过

患者女性,84岁,因发作性上腹部憋闷2天于2023-08-15上午就诊。