基于成人和儿科心电图深度生存分析：一项多中心基准研究
信号处理
2025-09-15 v4 机器学习
神经与进化计算
应用统计
摘要
应用于心电图的人工智能(AI-ECG)显示出死亡率预测的潜力，但异质性的方法和私有数据集限制了其可推广的见解。为解决此问题，我们在三个大型队列中系统评估了模型设计选择：贝斯以色列女执事医疗中心(MIMIC-IV: n = 795,546 份心电图，美国)、米纳斯吉拉斯远程医疗网络(Code-15: n = 345,779，巴西)和波士顿儿童医院(BCH: n = 255,379，美国)。我们评估了预测全因死亡率的模型，比较了基于时间范围的分类方法和深度生存方法，以及包括卷积网络和Transformer在内的神经架构，并以仅基于人口统计学的模型和梯度提升模型作为基线。顶级模型表现良好(中位一致性指数：Code-15, 0.83; MIMIC-IV, 0.78; BCH, 0.81)。纳入年龄和性别在所有数据集中均提升了性能。分类器-Cox模型对时间范围的选择表现出站点依赖性敏感性(中位Pearson相关系数R：Code-15, 0.35; MIMIC-IV, -0.71; BCH, 0.37)。外部验证降低了一致性指数，并且在某些情况下，仅基于人口统计学的模型在Code-15数据集上优于外部训练的AI-ECG模型。然而，基于多站点数据训练的模型比单站点模型性能高出5-22%。研究结果强调了稳健部署AI-ECG的关键因素：深度生存方法优于基于时间范围的分类器；人口统计学协变量提升了预测性能；基于分类器的模型需要站点特定的校准；跨队列训练，即使在成人和儿科队列之间，也显著提升了性能。这些结果强调了模型类型、人口统计学和训练多样性在开发可可靠应用于不同人群的AI-ECG模型中的重要性。
引用
@article{arxiv.2406.17002,
title = {Deep Survival Analysis from Adult and Pediatric Electrocardiograms: A Multi-center Benchmark Study},
author = {Platon Lukyanenko and Joshua Mayourian and Mingxuan Liu and John K. Triedman and Sunil J. Ghelani and William G. La Cava},
journal= {arXiv preprint arXiv:2406.17002},
year = {2025}
}
备注
16 pages plus appendix