利用深度学习从单导联心电图检测QT间期延长
信号处理
2024-08-13 v1 机器学习
定量方法
摘要
对于许多抗心律失常药物，药物负荷需要住院3天以监测QT间期延长。使用可穿戴心电图监护仪进行自动QT监测将有助于院外护理。我们开发了一个深度学习模型，从心电图I导联（最常从动态心电图监护仪获取的导联）推断QT间期，并使用该模型检测多非利特药物负荷期间临床上有意义的QT延长事件。利用马萨诸塞总医院903.6万名患者的422万份12导联心电图记录，我们开发了深度学习模型QTNet，该模型从I导联推断QT间期。使用来自65.3万名患者的超过300万份心电图训练模型，并使用包含13.5万名患者的63.3万份心电图的内部测试集进行测试。QTNet还在另一家机构的66.7万名患者的310万份心电图的外部验证集上进行了进一步评估。QTNet用于检测公开数据库（ECGRDVQ数据集）中多非利特诱导的QT延长，该数据集包含参与抗心律失常药物效果临床试验的受试者的心电图。QTNet在估计绝对QT间期时达到12.63ms（内部测试）和12.30ms（外部验证）的平均绝对误差。相应的皮尔逊相关系数为0.91（内部测试）和0.92（外部验证）。对于ECGRDVQ数据集，QTNet以87%的灵敏度和77%的特异性检测多非利特诱导的QTc延长。当药物诱导的QTc延长的验前概率低于25%时，模型的阴性预测值大于95%。使用深度学习可以从心电图I导联追踪药物诱导的QT延长风险。
引用
@article{arxiv.2401.05378,
title = {Detecting QT prolongation From a Single-lead ECG With Deep Learning},
author = {Ridwan Alam and Aaron Aguirre and Collin Stultz},
journal= {arXiv preprint arXiv:2401.05378},
year = {2024}
}