用于筛查患者S-ICD植入适应症的深度学习方法
机器学习
2021-03-11 v1
摘要
皮下植入式心律转复除颤器(S-ICDs)用于预防由室性心律失常引发的心脏性猝死。T波过感知(TWOS)是S-ICDs的固有风险，可导致不恰当电击。TWOS的一个主要预测因素是高T:R比值(T波与R波振幅之比)。目前通过筛查患者10秒心电图(ECGs)来测量T:R比值，以判定患者是否适合植入S-ICD。由于T:R比值存在时间变异，10秒不足以可靠确定患者T:R比值的正常值。本文开发了一种基于卷积神经网络(CNN)的模型，利用相空间重构矩阵从10秒ECG片段预测T:R比值，而无需显式定位R波或T波，从而规避TWOS问题。该工具可用于在更长时段内自动筛查患者，并提供该时段内T:R比值行为的深入描述。该工具还能实现更可靠且更具描述性的筛查，以更好地评估患者的S-ICD植入适应症。
引用
@article{arxiv.2103.06021,
title = {Deep learning methods for screening patients' S-ICD implantation eligibility},
author = {Anthony J. Dunn and Mohamed H. ElRefai and Paul R. Roberts and Stefano Coniglio and Benedict M. Wiles and Alain B. Zemkoho},
journal= {arXiv preprint arXiv:2103.06021},
year = {2021}
}