利用光电容积描记法与深度学习预测心血管疾病风险
摘要
心血管疾病（CVD）在低收入和中等收入国家造成了很大比例的过早死亡。在这些人群中，早期 CVD 检测和干预至关重要，但许多现有 CVD 风险评分需要体格检查或实验室测量，由于可及性有限，在此类卫生系统中可能颇具挑战。在此，我们研究了利用光电容积描记法（PPG）进行 CVD 风险预测的潜力，PPG 是大多数智能手机上可用的一种传感技术，有望以低成本实现大规模筛查。我们开发了基于深度学习的 PPG 心血管疾病风险评分（DLS），在仅以年龄、性别、吸烟状况和 PPG 为预测因子的情况下，预测十年内发生主要不良心血管事件（MACE：非致命心肌梗死、卒中和心血管死亡）的概率。我们将 DLS 与基于诊室的 refit-WHO 评分进行比较，后者采用 WHO 和 Globorisk 评分的共享预测因子（年龄、性别、吸烟状况、身高、体重和收缩压）但在 UK Biobank（UKB）队列上重新拟合。在 UKB 队列中，DLS 的 C 统计量（71.1%，95% CI 69.9-72.4）非劣于基于诊室的 refit-WHO 评分（70.9%，95% CI 69.7-72.2；非劣效界值 2.5%，p<0.01）。DLS 的校准令人满意，平均绝对校准误差为 1.8%。将 DLS 特征加入基于诊室的评分使 C 统计量提高 1.0%（95% CI 0.6-1.4）。DLS 预测的十年 MACE 风险与基于诊室的 refit-WHO 评分相当。它提供了概念验证，并暗示了基于 PPG 的方法策略在资源有限地区开展社区初级预防的潜力。
引用
@article{arxiv.2305.05648,
title = {Predicting Cardiovascular Disease Risk using Photoplethysmography and Deep Learning},
author = {Wei-Hung Weng and Sebastien Baur and Mayank Daswani and Christina Chen and Lauren Harrell and Sujay Kakarmath and Mariam Jabara and Babak Behsaz and Cory Y. McLean and Yossi Matias and Greg S. Corrado and Shravya Shetty and Shruthi Prabhakara and Yun Liu and Goodarz Danaei and Diego Ardila},
journal= {arXiv preprint arXiv:2305.05648},
year = {2023}
}
备注
main: 24 pages (3 tables, 2 figures, 42 references), supplementary: 25 pages (9 tables, 4 figures, 11 references)