基于 Lead-I 单导联的 ECG 间期估计: 超外部分析

ECG 间期测量对于诊断、预后和治疗多种心血管疾病至关重要，这些量是从 12 导联 ECG 中测量的，或通过自动算法测量，这些算法在临床环境中随处可见。然而，许多可穿戴设备可以获取 Lead-I ECG，从而在门外设置中引发对涉及临床显著 ECG 间期变化的疾病进行监测的潜力。在本工作中，我们开发了一系列深度学习模型，用于从 Lead-I ECG 估计 PR、QRS 和 QT 间期。我们使用来自 Massachusetts General Hospital 患者的 420 万个 ECG 语料库对每个模型进行训练和验证。在内部保留检验中，我们实现了 QRS 持续时间的平均绝对误差 (MAE) 为 6.3 毫秒，QT 间期的 MAE 为 11.9 毫秒，估计 PR 间期的 MAE 为 9.2 毫秒。此外，由于在 ECG 图中并非总是存在明确的 P 波——例如，当存在心房颤动时——我们训练了一个可以识别是否存在 P 波的模型，从而确定是否存在可测量的 PR 间期。我们在三个大型外部医疗数据集上验证我们的模型，而无需任何微调或重新训练——来自 Brigham and Women's Hospital 的 320 万个 ECG、来自 MIMIC-IV 的 66.8 万个 ECG 和来自 PTB-XL 的 2 万个 ECG——并实现了类似的性能。我们的模型显著优于两个公开可用的基线算法。这一工作表明，可以仅使用 Lead-I ECG 通过深度学习来跟踪 ECG 间期，并突显了在门外应用的潜力。