JACC：可通过心动图识别心脏瓣膜病的深度学习模型
2022-08-11 MedSci原创 MedSci原创
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
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。
原始出处：
Elias Pierre,Poterucha Timothy J,Rajaram Vijay et al. Deep Learning Electrocardiographic Analysis for Detection of Left-Sided Valvular Heart Disease.[J] .J Am Coll Cardiol, 2022, 80: 613-626. https://doi.org/10.1016/j.jacc.2022.05.029
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
#深度学习模型#
106
学习
78
#心动图#
119
#JACC#
136
获益匪浅
156
#心脏瓣膜#
109
#心脏瓣膜病#
103
#ACC#
159
#瓣膜#
100