استفاده مهم از خطوط هدایت قلبی

بیماری های قلبی عروقی با بیش از 544،{1}} مورد مرگ ناگهانی از منشاء مرکزی هر سال، اولین علت مرگ و میر در چین است و با تغییر سبک زندگی و پیری جمعیت، بروز آن در حال افزایش است. .

مرگ ناگهانی قلبی (SCD) یک مرگ غیرمنتظره به دلایل قلبی است که معمولاً در عرض یک ساعت پس از شروع علائم بیماری قلبی اتفاق می‌افتد که با از دست دادن ناگهانی هوشیاری، توقف ناگهانی فعالیت قلب و نارسایی همودینامیک، معمولاً به دلیل تاکی کاردی بطنی مداوم مشخص می‌شود. یا فیبریلاسیون بطنی

بنابراین، شناسایی افراد در معرض خطر بالای SCD می تواند در پیشگیری از این بیماری بسیار موثر باشد.

الکتروکاردیوگرام (ECG) یک روش پرکاربرد برای تشخیص فعالیت الکتریکی قلب است و استاندارد بالینی معمول از یک 12-ECG سرب برای ارزیابی سلامت قلب بیمار استفاده می‌کند. به عنوان یک جزء کلیدی که بدن بیمار را با دستگاه الکتروکاردیوگرام، سیم رسانای قلب نقش حیاتی در کیفیت سیگنال الکتروکاردیوگرام ایفا می کند.

بر اساس یک مطالعه جدید منتشر شده در Communications Medicine، یکی از مجلات علمی پیشرو در جهان، مدل یادگیری عمیق مبتنی بر ECG برای ارزیابی خطر SCD می تواند موارد SCD را از گروه های کنترل با دقت بیشتری نسبت به مدل خطر ECG سنتی تشخیص دهد. این به پزشکان کمک می کند. افراد در معرض خطر بیشتر برای SCD را غربال کنید و شناسایی کنید، بنابراین می توان آنها را به طور منظم برای جلوگیری از بروز SCD آزمایش کرد.

این تیم از داده‌های دو مطالعه مستقل از نظر جغرافیایی، آینده‌نگر و مبتنی بر جامعه در حال انجام SCD خارج بیمارستانی، با نمونه کل 2510 مورد SCD استفاده کرد. مدل‌های یادگیری عمیق (DL) بر روی داده‌های مطالعه مرگ تصادفی SCD 1796 از اورگان، ایالات متحده (اورگان SUDS) آموزش، تأیید و آزمایش شدند و بر روی داده‌های مطالعه پیش‌بینی مرگ ناگهانی 714 از جوامع چند قومی در شهرستان ونتورا، کالیفرنیا تأیید شد. (ونتورا پرستو). تمام موارد الکتروکاردیوگرام های سرب در حال استراحت برای تجزیه و تحلیل، که قبل از SCD ثبت شده بودند و با حوادث SCD مرتبط نبودند، در مطالعه گنجانده شدند، به استثنای ECG با ریتم ضربان، فیبریلاسیون دهلیزی، یا فلاتر دهلیزی پیش از پیش یک مدل DL ایجاد کنید که می تواند برای الکتروکاردیوگرام های ریتم سینوسی اعمال شود.

این تیم یک مدل شبکه عصبی کانولوشنال ایجاد کرد که قادر به شناسایی موارد SCD با استفاده از 12-شکل موج‌های ECG سرب است. محققان دو نمونه کنترل مستقل را از 1342 الکتروکاردیوگرام از 1325 فرد که حداقل 50 درصد از بیماری عروق کرونر داشتند، به دست آوردند. آنها مدل را با استفاده از 1076 مورد SCD از اورگان SUDS و 1،{8}}ECG سرب قبل از ایست قلبی، 597 مورد SCD از گروه کنترل و 613 12-ECGهای سرب آموزش دادند. یک گروه اعتبار سنجی جداگانه، متشکل از 366 ECG قبل از ایست قلبی و 200 ECG کنترل، برای تعیین زمان توقف تمرین مدل استفاده شد. نمونه‌های مطالعه بر اساس سطح بیمار تقسیم شدند تا الکتروکاردیوگرام‌های متعدد از یک بیمار را بتوان در یک گروه قرار داد.

در مقایسه با مدل‌های سنتی ECG، مدل DL مبتنی بر {{0}}شکل موج ECG لید در شناسایی موارد SCD دقیق‌تر بود، با یک AUROC همگروهی داخلی (معیار ارزیابی شبکه عصبی) 0. 889 و AUROC تایید شده خارجی 0.820، و بهتر از امتیاز خطر ECG سنتی بود. این اولین گزارشی است که یک مدل DL مبتنی بر ECG در پیش‌بینی SCD خارج از بیمارستان در سطح جامعه از مدل‌های خطر ECG سنتی بهتر عمل می‌کند.