三星128160手机棋牌类游戏|手机棋牌付费率
生物科學門戶網站
BIO1000.COM

深度學習AI可以從正常節律心電圖中識別心房顫動

已經發現人工智能(AI)模型用于鑒別患有間歇性心房顫動的患者,即使在正常節律期間使用快速且非侵入性的10秒測試進行,與目前可能需要數周至數年的測試相比。雖然早期并且在實施前需要進一步研究,但這些發現可以幫助醫生調查不明原因的中風或心力衰竭,從而實現適當的治療。

研究人員已經培訓了一種人工智能模型,用于檢測正常節律患者的10秒心電圖(心電圖)中心房顫動的特征。該研究涉及近181,000名患者并發表在“柳葉刀”雜志上,是第一個使用深度學習來識別可能未被發現的心房顫動的患者,總體準確率為83%。該技術在ECG中發現可能對人眼不可見的信號,但包含有關心房纖顫存在的重要信息。

估計心房顫動在美國會影響270-610萬人[1],并且與卒中,心力衰竭和死亡風險增加有關。由于患者的心臟可以進出這種異常節律,因此難以在單個心電圖上檢測到,因此心房顫動常常未被診斷。

美國梅奧診所心血管醫學系主任Paul Friedman博士說:“在心電圖上應用人工智能模型可以檢測心房纖顫,即使記錄心電圖時也不存在。就像看海洋一樣現在,能夠分辨出昨天有大浪。“[2]

他指出:“目前,人工智能已經在需要臨床調查的人中使用心電圖進行了培訓,但不是原因不明的卒中患者,也不是整體人群,因此我們還不確定它在診斷這些人群方面的表現如何。通過非侵入性和廣泛可用的測試快速而廉價地進行測試的能力可能有一天有助于識別未確診的心房顫動并指導重要治療,預防中風和其他嚴重疾病。[2]

在不明原因的中風后,準確檢測心房顫動非常重要,以便對患者進行抗凝治療以降低中風復發的風險,而其他患者(可能因此治療而受傷)則不然。目前,在這種情況下的檢測需要數周至數年的監測,有時需要植入裝置,可能使患者面臨復發性卒中的風險,因為目前的方法并不總能準確地檢測到心房顫動,或者需要花費太長時間。

心房顫動的心臟發生結構變化,例如腔室擴大。在諸如超聲心動圖之類的標準成像技術可見這些變化之前,心房顫動可能存在心臟纖維化(瘢痕形成)。另外,心房顫動的存在可能暫時改變心肌的電特性,即使它已經結束。

研究人員開始訓練神經網絡 - 一類深度學習AI - 識別標準心電圖中的細微差異,這些差異被認為是由于這些變化,盡管神經網絡是“黑匣子”,具體發現是驅動他們的觀察結果尚不清楚。作者使用了從1993年12月至2017年7月期間從近181,000名患者[3](約650,000次ECG掃描)中獲得的心律ECG,將數據分為心房顫動陽性或陰性的患者。

心電圖數據分為三組:訓練,內部驗證和測試數據集,培訓組為70%,驗證和優化為10%,測試組為20%(訓練數據集中126,526名患者為454,789個心電圖,64,340個心電圖)來自驗證數據集中的18,116名患者和來自測試數據集中的36,280名患者的130,802名ECG。

AI在識別心房顫動的存在方面表現良好:對每位患者的第一次心電圖輸出進行測試,準確度為79%(單次掃描),當同一患者使用多個心電圖時,準確度提高到83% 。需要進一步研究以確認特定人群的表現,例如原因不明的卒中患者(未確定來源的栓塞性卒中 - ESUS)或心力衰竭。

該研究的作者還推測,有一天可能會使用這項技術作為醫生手術中的護理點診斷測試,以篩查高危人群。篩查患有高血壓,糖尿病或年齡超過65歲的房顫患者可以幫助避免疾病,但是,目前的檢測方法成本高,并且確定的患者很少。此外,該篩查目前需要佩戴大而不舒服的心臟監測器數天或數周。

來自美國梅奧診所的研究聯合研究員姚曉曦博士說:“我們的算法有可能用于低成本,廣泛使用的技術,包括智能手機,然而,這需要在廣泛應用之前進行更多的研究。 “[2]

作者在他們的工作到達診所之前注意到了一些限制和進一步的研究。與普通人群相比,所研究的人群可能具有更高的心房顫動患病率。因此,AI已被訓練以回顧性地對臨床指示的ECG進行分類,而不是用于健康患者或具有不明原因中風的患者的預測,并且在廣泛應用于篩選更廣泛的健康人群之前可能需要校準。

如果患者沒有經過驗證的診斷,患者被認為是心房顫動陰性,但有些患者可能未被診斷并且被錯誤標記,因此AI可能已經確定了以前的檢測結果。另一方面,AI確定的一些假陽性患者有心房顫動病史(盡管被人類歸類為陰性),實際上可能患有未確診的心房顫動。由于AI僅與其訓練的數據一樣好,因此當將測試應用于其他群體(例如沒有指示ECG的個體)時,解釋中可能存在錯誤。

阿德萊德大學和澳大利亞阿德萊德皇家阿德萊德醫院的Jeroen Hendriks博士在一篇相關評論中說:“總之,Attia及其同事們對他們的創新方法以及AI的徹底開發和本地驗證表示祝賀。鑒于AI算法最近達到了心臟病學家的診斷性能水平,這種AI-ECG解釋在創建一種算法中是開創性的,以揭示顯示竇性心律的心電圖中心房纖顫的可能性。

鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播更多信息之目的,如作者信息標記有誤,請第一時間聯系我們修改或刪除,多謝。

三星128160手机棋牌类游戏 重庆时时彩和新时时彩 北京pk10软件怎么下载 时时彩开奖号码 天游国际娱乐平台 玩时时彩死了多少人 百威线上娱乐 重庆时时彩龙虎和诀窍 重庆时时存在作弊么 时时彩最快开奖 上海时时计划软件手机版