Den vigtige brug af hjertekonduktanslinjer

Hjerte-kar-sygdomme er den største dødsårsag i Kina med mere end 544,000 tilfælde af pludselig død fra central oprindelse hvert år, og dens forekomst er stigende med ændringen af ​​livsstil og befolkningens aldring .

Pludselig hjertedød (SCD) er et uventet dødsfald af hjerteårsager, som normalt forekommer inden for en time efter debut af hjertesygdomssymptomer, karakteriseret ved pludseligt bevidsthedstab, pludseligt ophør af hjerteaktivitet og hæmodynamisk svigt, normalt på grund af vedvarende ventrikulær takykardi eller ventrikelflimmer.

Derfor kan identifikation af personer med høj risiko for SCD gå langt i at forebygge sygdommen.

Et elektrokardiogram (EKG) er en meget brugt metode til at detektere hjertets elektriske aktivitet, og den sædvanlige kliniske standard bruger et 12-lead-EKG til at vurdere en patients hjertesundhed. Som en nøglekomponent, der forbinder patientens krop med elektrokardiograminstrument, spiller hjertekonduktanstråden en afgørende rolle for kvaliteten af ​​elektrokardiogramsignalet.

Ifølge en ny undersøgelse offentliggjort i Communications Medicine, et af verdens førende videnskabelige tidsskrifter, kan den EKG-baserede Deep Learning-model til vurdering af SCD-risiko mere præcist skelne SCD-tilfælde fra kontrolgrupper end den traditionelle EKG-risikomodel. Dette vil hjælpe klinikere screene og identificere personer med højere risiko for SCD, så de kan testes regelmæssigt for at forhindre SCD i at opstå.

Holdet brugte data fra to geografisk uafhængige, prospektive, samfundsbaserede igangværende SCD-studier uden for hospitalet med en samlet prøve på 2.510 SCD-tilfælde. Deep learning (DL) modeller blev trænet, valideret og testet på 1796 SCD Sudden Accidental Death Study data fra Oregon, USA (Oregon SUDS), og eksternt valideret på 714 Sudden Death Prediction Study data fra multietniske samfund i Ventura County, Californien (Ventura PRESTO). Alle tilfælde af hvilende 12-elektrode-elektrokardiogrammer, der er tilgængelige til analyse, som blev optaget før SCD og ikke var forbundet med SCD-hændelser, blev inkluderet i undersøgelsen, eksklusive EKG med pacingrytme, atrieflimren eller atrieflimren a priori skabe en DL-model, der kunne anvendes på sinusrytme-elektrokardiogrammer.

Holdet udviklede en foldet neural netværksmodel, der er i stand til at identificere SCD-tilfælde ved hjælp af 12-lead-EKG-kurveformer. Forskerne opnåede to uafhængige kontrolprøver fra 1.342 elektrokardiogrammer fra 1.325 personer, der havde mindst 50 procent af koronararteriesygdomme. De trænede modellen ved at bruge 1076 SCD-tilfælde fra Oregon SUDS og 1,101 12-aflednings-EKG'er før hjertestop, 597 SCD-tilfælde fra kontrolgruppen og 613 12-elektrode-EKG'er. En separat valideringskohorte, bestående af 366 præ-hjertestop-EKG'er og 200 kontrol-EKG'er, blev brugt til at bestemme, hvornår man skulle stoppe modeltræning. Undersøgelsesprøverne blev opdelt efter patientniveau, således at flere elektrokardiogrammer fra samme patient kunne inkluderes i den samme kohorte.

Sammenlignet med traditionelle EKG-modeller var DL-modellen baseret på {{0}}aflednings-EKG-bølgeformen mere nøjagtig til at identificere SCD-tilfælde med en intern kohorte AUROC (en neural netværksevalueringsmåling) på 0. 889 og en eksternt valideret AUROC på 0,820 og var bedre end den traditionelle EKG-risikoscore. Dette er den første rapport om, at en EKG-baseret DL-model overgår traditionelle EKG-risikomodeller med hensyn til at forudsige SCD uden for hospitalet på samfundsniveau.