Důležité použití linií srdeční vodivosti

Kardiovaskulární onemocnění jsou nejčastější příčinou úmrtí v Číně s více než 544000 případy náhlého úmrtí z centrálního původu ročně a jejich výskyt roste se změnou životního stylu a stárnutím populace. .

Náhlá srdeční smrt (SCD) je neočekávaná smrt ze srdečních příčin, která se obvykle vyskytuje do jedné hodiny od nástupu příznaků srdeční choroby, charakterizovaná náhlou ztrátou vědomí, náhlým zastavením srdeční činnosti a hemodynamickým selháním, obvykle v důsledku přetrvávající komorové tachykardie. nebo ventrikulární fibrilace.

Identifikace osob s vysokým rizikem SCD proto může v prevenci této nemoci výrazně pomoci.

Elektrokardiogram (EKG) je široce používaná metoda pro detekci elektrické aktivity srdce a běžný klinický standard používá 12-svodové EKG k posouzení stavu srdce pacienta. Jako klíčová součást spojující pacientovo tělo s elektrokardiogram, drát srdeční vodivosti hraje zásadní roli v kvalitě signálu elektrokardiogramu.

Podle nové studie publikované v Communications Medicine, jednom z předních světových vědeckých časopisů, model Deep Learning založený na EKG pro hodnocení rizika SCD dokáže přesněji odlišit případy SCD od kontrolních skupin než tradiční model rizika EKG. To pomůže lékařům prověřit a identifikovat osoby s vyšším rizikem SCD, aby je bylo možné pravidelně testovat, aby se zabránilo výskytu SCD.

Tým použil data ze dvou geograficky nezávislých, prospektivních, komunitních probíhajících mimonemocničních studií SCD s celkovým vzorkem 2 510 případů SCD. Modely hlubokého učení (DL) byly trénovány, ověřeny a testovány na datech 1796 SCD Sudden Accidental Death Study z Oregonu, USA (Oregon SUDS) a externě ověřeny na datech 714 Sudden Death Prediction Study z multietnických komunit v Ventura County, Kalifornie. (Ventura PRESTO). Do studie byly zahrnuty všechny případy klidových 12-svodových elektrokardiogramů dostupných pro analýzu, které byly zaznamenány před SCD a nebyly spojeny s událostmi SCD, s výjimkou EKG se stimulačním rytmem, fibrilací síní nebo flutterem síní a priori vytvořit DL model, který by mohl být aplikován na elektrokardiogramy sinusového rytmu.

Tým vyvinul model konvoluční neuronové sítě schopný identifikovat případy SCD pomocí 12-křivek svodového EKG. Vědci získali dva nezávislé kontrolní vzorky z 1342 elektrokardiogramů od 1325 jedinců, kteří měli alespoň 50 procent onemocnění koronárních tepen. Trénovali model pomocí 1076 případů SCD z Oregon SUDS a 1101 12-svodového EKG před zástavou srdce, 597 případů SCD z kontrolní skupiny a 613 12-svodového EKG. Samostatná validační kohorta, sestávající z 366 EKG před srdeční zástavou a 200 kontrolních EKG, byla použita k určení, kdy ukončit modelový trénink. Vzorky studie byly rozděleny podle úrovně pacienta, aby bylo možné do stejné kohorty zahrnout více elektrokardiogramů od stejného pacienta.

Ve srovnání s tradičními modely EKG byl model DL založený na křivce {{0}}svodového EKG přesnější při identifikaci případů SCD, s interní kohortou AUROC (míra vyhodnocení neuronové sítě) 0. 889 a externě ověřené AUROC 0,820 a bylo lepší než tradiční skóre rizika EKG. Toto je první zpráva, že model DL založený na EKG překonává tradiční modely rizik EKG v predikci mimonemocničního SCD na úrovni komunity.